Caso de estudio · Proyecto
Construir una base de investigación con Claude
Decenas de archivos de cohortes, exportaciones y registros, varios miles de pacientes: cómo se construyó una base única, versionada y seudonimizada con un orquestador y subcompetencias, y qué enseñó cada incidente.
Idea
¿Qué problema, en una frase?
Formular el problema en una frase
«¿Cuántos pacientes tenemos con este fenotipo y este dato?» lleva una semana: decenas de archivos, cada uno con su manera de identificar a un paciente, sus unidades y sus huecos. Lo que hace falta no es una hoja de cálculo más, sino una base única que responda en minutos, solo con recuentos.
DificultadCada proyecto había rehecho su propia extracción, con recuentos que nunca coincidían.
SoluciónUna sola base, nunca una base paralela; toda necesidad nueva se convierte en una consulta sobre esa base.
Concepto
¿Qué será la herramienta y qué hará?
Escribir el marco antes de la primera línea de código
Base jurídica, visto bueno del delegado de protección de datos y de la unidad de investigación clínica, lugar donde se autoriza el tratamiento con IA, quién decide las congelaciones. Después, la regla de trabajo: la IA solo trabaja con la base seudonimizada; la caja fuerte (clave de correspondencia y originales) solo se abre a petición expresa, en el puesto de trabajo.
!Ningún dato identificativo en la conversación: se muestran nombres de columnas, estructuras y recuentos.
Dividir en piezas en lugar de un skill gigante
Un orquestador «base» que lleva las reglas comunes (circuito, índice, congelación, publicación) y deriva; subcompetencias separadas por patología; una única pieza de consulta; una pieza por registro. El orquestador nunca entra en el detalle.
Qué decirle a Claude«Este es el skill de mi base de investigación. Identifica lo que corresponde a las reglas comunes y lo que corresponde a una patología o a un registro, y propón una división en orquestador y subcompetencias, con lo que cubre y lo que excluye cada una.»
DificultadEl orquestador había crecido hasta encargarse del detalle de cada patología: se volvió ilegible y se contradecía.
SoluciónDividido en subcompetencias; el orquestador solo conserva las reglas comunes y la derivación.
Realización
¿Qué pedir a Claude, y en qué orden?
Un ritual de inicio de sesión
En cada sesión, Claude lee el plan y el diario, y resume el estado en tres líneas: dónde estamos, qué bloquea, el siguiente paso. Cuando nace una regla, el skill, el plan y el diario se actualizan en el mismo turno, no «más tarde».
DificultadUna regla decidida en una sesión, olvidada en la siguiente.
SoluciónNinguna regla existe hasta que se escribe, en el mismo turno, en el skill, el plan y el diario.
Integrar las fuentes una a una
Cada fuente nueva pasa una lista de comprobación: cómo identifica a un paciente, qué hojas son diccionarios o tablas traspuestas, y después una arquitectura en dos niveles (la inclusión y luego el enriquecimiento, que nunca añade pacientes). Se parte del script de la cohorte más parecida; cada valor queda trazado hasta su celda.
DificultadUnas decenas de falsos pacientes surgieron de una hoja traspuesta: los encabezados de columna se habían leído como identidades.
SoluciónDetección de hojas traspuestas y diccionarios antes de cualquier importación, y control «el enriquecimiento no añade pacientes» en cada pasada.
Cruzar los pacientes con una puntuación
Identidad tolerante a errores, fecha de nacimiento con un margen, un conjunto de indicios; tres umbrales (seguro, probable, dudoso); lo dudoso se queda en la base con su motivo. Una prueba placebo mide la parte de enlaces debidos al azar.
DificultadDos personas distintas fusionadas porque compartían fecha de nacimiento y un nombre parecido.
SoluciónRegla «fecha de nacimiento única» contada en todo el perímetro, límite de enlaces por ficha y revisión humana mensual de una muestra de enlaces seguros.
!Nunca una fusión basada en un solo parámetro.
Prueba
¿Cómo demostrar que funciona?
Controlar la calidad sin ahogar la señal
Informe de calidad en cinco familias, resolución de las discrepancias en bloque y congelación numerada y fechada con copia fija. Una variable sin decisión no se conserva; una corrección de fondo abre una nueva versión.
DificultadVarios miles de alertas en la primera pasada, casi todas falsas: ya nadie las leía.
SoluciónNinguna alerta más sobre identificadores ni controles de rango sobre variables 0/1, mezcla de unidades sospechada solo en al menos dos archivos con una agrupación nítida por un factor 10, convención de signo llevada al valor absoluto.
Auditar la cobertura año por año
Tres niveles de cifras (personas censadas, con un archivo fuente, con medidas en la base) y, para cada fuente, una auditoría anual: una prueba está «disponible» si contiene varias medidas o un informe; las pruebas solo fechadas muestran los huecos.
DificultadUn año casi vacío se interpretó al principio como ausencia de pruebas.
SoluciónUna reexportación idéntica demostró que el hueco venía de la fuente; ahora se distingue un hueco de la fuente de un fallo de enlace, con un recuento independiente.
Puesta en servicio
¿Cómo entregarla, publicarla y hacerla durar?
Tratar un yacimiento de pruebas sin datos clínicos como objeto metodológico
Un fondo de varios miles de pruebas sin datos clínicos asociados no se descarta ni se mezcla con la base: primero se perfilan sus columnas (tipos, tasas de cumplimentación, rangos) y después se separa lo que puede publicarse sin desenlaces (descripción, viabilidad, reproducibilidad) de lo que exige un enlace con el estado vital, sujeto a su propio marco.
!Ninguna pregunta clínica sobre este fondo antes del perfilado.
Responder en minutos y vigilar cada semana
Toda lista de pacientes desencadena una consulta longitudinal; una solicitud de extracción genera un libro normalizado, seudonimizado y registrado; los paneles estadísticos muestran sus limitaciones y ocultan los recuentos pequeños. Un centinela semanal de solo lectura emite un veredicto OK, alerta o error, comparado con el anterior.
DificultadUna base abierta en una carpeta de red quedó en un estado incoherente tras un corte de conexión.
SoluciónBase copiada en local, procesos reanudables, escrituras todo o nada con recuento, publicación mediante copia verificada y después sustitución.