ChatEHR de Stanford llega a 1.450 clínicos en Epic
ChatEHR de Stanford, el chatbot de expedientes que Stanford Health Care construyó dentro de su expediente clínico electrónico de Epic, lo usaban 1.450 de unos 7.000 profesionales clínicos habilitados a mediados de enero de 2026, informó STAT el 28 de enero de 2026. La herramienta lee el expediente completo de un paciente y responde preguntas sobre él. El laboratorio detrás de ella dice que sus revisiones automatizadas recortan 40% tareas como la revisión de expedientes para la vigilancia de infecciones. Para los hospitales, muestra que un equipo dentro del área de TI puede convertir horas de lectura de expedientes en listas cortas de casos sobre los que el personal puede actuar.
Por qué los médicos necesitaban una forma más rápida de recorrer el expediente
Leer el expediente de un paciente antes de una consulta es lento porque la información está en muchos lugares. STAT describió cómo el director de información de salud de Penn Medicine, el cardiólogo Srinath Adusumalli, se prepara el día antes de sus citas revisando consultas previas, análisis de laboratorio, estudios de imagen y documentos escaneados de otros hospitales, cada uno en una pestaña distinta del expediente clínico electrónico.
Stanford Health Care enfrentaba el mismo trabajo a gran escala. Su propio laboratorio da un ejemplo: una tarea de tamizaje que exigía una revisión de 5 a 20 minutos por expediente en 150 expedientes de pacientes.
Lo que Stanford construyó en lugar de comprar una herramienta
Stanford construyó ChatEHR por su cuenta, lo conectó a su expediente clínico electrónico de Epic y lo desplegó en todo el sistema de salud en septiembre de 2025. El Shah Lab, que documenta el proyecto, lo describe como una plataforma independiente de proveedores y gobernada internamente que coloca el expediente longitudinal completo de un paciente, hasta veinte millones de tokens, directamente en la ventana de contexto de un modelo en tiempo real.
El equipo detrás es un grupo de ciencia de datos integrado en el área de TI: ingenieros de software, gerentes de producto y científicos de datos con acceso directo a investigadores académicos. El laboratorio sitúa el inicio del trabajo en un entorno de pruebas de abril de 2023. Se convirtió en ChatEHR en noviembre de 2023, pasó por varios prototipos hasta mediados de 2024, entró en un piloto a principios de 2025 y llegó a 150 usuarios clínicos en agosto de 2025.
Cómo funciona ChatEHR durante el día de un médico
Un profesional clínico abre una pestaña de ChatEHR dentro del expediente y primero elige qué datos cargar para el modelo, por fuente de datos y rango de fechas. Luego aparece una ventana de chat donde el usuario hace preguntas, califica las respuestas con un pulgar arriba o abajo, o vuelve al menú para iniciar una nueva sesión.
Ese chat representa 40% del uso. El otro 60% pasa por APIs que automatizan tareas repetitivas de alto volumen.
«Las automatizaciones son instrucciones fijas aplicadas a grupos definidos de pacientes.» Shah Lab de Stanford, sobre cómo ChatEHR ejecuta sus revisiones automatizadas
El laboratorio enumera siete flujos operativos construidos así, desde ubicar a los pacientes en el entorno de atención adecuado y reforzar la vigilancia de infecciones hasta validar cuentas de facturación.
El ahorro de tiempo que Stanford reporta con la automatización
El laboratorio da cifras para cada flujo, y son mediciones propias. El tamizaje de pacientes convierte la revisión de 150 expedientes en unos 30 casos muy probables. La vigilancia de infecciones del sitio quirúrgico recorta 40% la revisión de expedientes y, según el laboratorio, hace más oportuno el reporte de infecciones.
En el Contact Center, el triaje de referencias toma 17,7% menos tiempo, la productividad sube 17,8% y el rezago bajó de cinco días a dos. Una revisión para cuidados paliativos hospitalarios lee 600 expedientes para encontrar entre 10 y 40 casos elegibles, lo que según el laboratorio evita entre 18 y 20 horas de trabajo cada día. En ortopedia, el triaje de referencias procesa más de 4.700 documentos y ahorra al menos 1,7 horas de personal al día. La revisión de cuentas retenidas por un bloqueo de facturación LoA ahorra entre 10 y 15 minutos por cuenta. Un estudio prospectivo de Wang y colegas en JAMA Network Open examinó ChatEHR en el triaje de pacientes quirúrgicos.
Cómo creció la adopción después del despliegue
STAT informó que a mediados de enero de 2026 ChatEHR lo usaban 1.450 profesionales clínicos de unos 7.000 usuarios habilitados. El piloto de la interfaz que terminó en junio de 2025 tuvo 150 usuarios y 3.000 sesiones de chat. En los primeros 3 meses tras el despliegue en toda la institución, 1.075 usuarios completaron el video de capacitación y abrieron más de 23.000 sesiones, con más de 19 mil millones de tokens procesados. Entre los usuarios de ese periodo hubo 180 profesionales de práctica avanzada (APP), 424 médicos, 151 residentes y 60 becarios de subespecialidad.
El conteo posterior del laboratorio, a julio de 2026, es de más de 3.400 usuarios activos, más de 150.000 sesiones y 140 mil millones de tokens procesados.
Lo que significan las herramientas de IA hechas por hospitales para otros sistemas de salud
Stanford no está solo. En enero de 2026, Penn Medicine presentó Chart Hero, una herramienta similar que permite a los médicos consultar y resumir el expediente de un paciente con una interfaz parecida a un chatbot, y unos 70 profesionales clínicos de Penn la estaban probando. Equipos de Duke Health y del Children's Hospital of Philadelphia desarrollan aplicaciones similares.
Para un hospital, el caso muestra dónde están por ahora los ahorros medidos: colas de referencias, reporte de infecciones, tamizaje para cuidados paliativos y revisión de facturación, y no solo la ventana de chat. El enfoque de Stanford también depende de un equipo dentro de TI capaz de construir y gobernar la herramienta, y de una plataforma que no está atada a un solo proveedor de IA.
Preguntas y respuestas
¿Qué es ChatEHR de Stanford?
Es una herramienta construida internamente que permite a los profesionales clínicos de Stanford Health Care consultar el expediente completo de un paciente dentro del expediente clínico electrónico de Epic. También ejecuta instrucciones fijas sobre grupos definidos de pacientes para automatizar la revisión de expedientes.
¿Cuántos profesionales clínicos usan ChatEHR?
STAT informó 1.450 profesionales clínicos de unos 7.000 usuarios habilitados a mediados de enero de 2026. El laboratorio de Stanford reportó más de 3.400 usuarios activos a julio de 2026.
¿ChatEHR le ahorra tiempo al personal?
El laboratorio dice que sí en flujos específicos: el tiempo de triaje de referencias bajó 17,7%, la revisión de expedientes por infecciones del sitio quirúrgico bajó 40% y el triaje de referencias de ortopedia ahorra al menos 1,7 horas de personal al día.
La visión de MOZGII
Cómo lo construiríamos
Donde más ayuda hoy la IA en un hospital es en la lectura para la que nadie tiene tiempo: la revisión del expediente antes de una consulta, las listas de tamizaje, las colas de referencias y las cuentas retenidas. Las cifras de Stanford están justo en esos lugares. Si construyéramos un sistema como ChatEHR, empezaríamos por una sola cola con un responsable claro y un punto final claro, como el triaje de referencias, y solo después añadiríamos una ventana de chat. Las horas se recuperan con las automatizaciones, no con el chat.
El sistema necesitaría tres cosas. Primero, el expediente completo del paciente extraído del sistema en tiempo real, con las fuentes de datos y el rango de fechas registrados para cada respuesta. Segundo, un modelo que se pueda reemplazar, porque el activo es el expediente y no el modelo. Tercero, una enfermera, un codificador o un médico con nombre que apruebe cada lista corta antes de que alguien actúe sobre ella. Falla cuando el expediente está incompleto, por ejemplo un documento externo escaneado que el modelo no puede leer, y cuando una instrucción fija se aleja de cómo trabaja hoy la clínica.
La única métrica que vigilaríamos es cuántos de los casos que marca la automatización resultan reales cuando una persona los revisa. Si esa proporción baja, cambió la instrucción o cambiaron los datos. Después añadiríamos un circuito de retroalimentación que envíe cada pulgar abajo al equipo dueño de la instrucción, para que cada flujo se revise según un calendario y no después de una queja.
Fuentes
De dónde salen los datos de esta nota.