enesru
Descargar la app

Ciencia

Tres capas, y ninguna es una suposición

Labless separa lo que se puede calcular, lo que se puede aprender de los datos y lo que hay que medir. El modelo de lenguaje solo explica el resultado.

Capa 1

Fórmulas validadas

Índices con décadas de uso clínico, calculados en código y con pruebas unitarias. Sexo, edad y unidades se ajustan antes de aplicar cualquier regla.

  • HOMA-IR, QUICKI, HOMA-B
  • FIB-4
  • eGFR (CKD-EPI 2021)
  • Índice de Mentzer
  • TyG y TG/HDL
Capa 2

Modelos entrenados con datos poblacionales

Grandes bases públicas como NHANES midieron pruebas de rutina y especializadas en las mismas personas. Así un modelo aprende qué predice una sobre la otra, y podemos medir qué tan bien lo hace.

  • Hígado graso desde análisis de rutina
  • Hierro desde el hemograma
  • Edad biológica (PhenoAge)
Capa 3

Un grafo de reglas que conecta resultados

Reglas revisadas por clínicos enlazan marcadores, condiciones y contexto. Cada regla tiene una fuente y un grado de evidencia. El motor busca la explicación única que cubre más hallazgos.

  • Basado en guías clínicas
  • Grado de evidencia en cada regla
  • Los valores urgentes van primero

Cómo etiquetamos la confianza

Señal fuerteFórmula o modelo publicado con buena precisión.
Señal moderadaEstimación útil. Confírmala si cambia una decisión.
Solo cribadoTe dice si conviene mirar más de cerca.
Requiere prueba realLa sangre no responde bien a esto. Lo decimos.

Lo que ya muestra la investigación publicada

0,88

AUC para predecir hígado graso con datos de chequeo de rutina, por encima del índice estándar

0,84

AUC para detectar ferritina baja con un hemograma estándar

~80 %

de las personas con apnea del sueño estarían sin diagnosticar

Cifras de estudios independientes listados abajo, no de Labless.

Cómo lo vamos a demostrar

Planificado

Datos poblacionales reservados

Cada modelo se evalúa con personas que nunca vio en el entrenamiento, y publicamos los resultados por edad y sexo.

Planificado

Comparación a ciegas

Casos reales anonimizados revisados por Labless, por médicos y por asistentes de IA generales, calificados por expertos que no saben cuál es cuál.

Planificado

Mirando hacia adelante

Usando solo los informes antiguos de una persona, ¿detectó Labless lo que se diagnosticó años después? Es la prueba más difícil y la que más importa.

Referencias

  1. Matthews DR et al. Homeostasis model assessment: insulin resistance and β-cell function from fasting plasma glucose and insulin concentrations in man. Diabetologia, 1985. doi.org/10.1007/BF00280883
  2. Sterling RK et al. Development of a simple noninvasive index to predict significant fibrosis in patients with HIV/HCV coinfection (FIB-4). Hepatology, 2006. doi.org/10.1002/hep.21178
  3. Inker LA et al. New creatinine- and cystatin C–based equations to estimate GFR without race (CKD-EPI 2021). NEJM, 2021. doi.org/10.1056/NEJMoa2102953
  4. Levine ME et al. An epigenetic biomarker of aging for lifespan and healthspan (PhenoAge). Aging, 2018. doi.org/10.18632/aging.101414
  5. Chung F et al. STOP questionnaire: a tool to screen patients for obstructive sleep apnea. Anesthesiology, 2008. doi.org/10.1097/ALN.0b013e31816d83e4
  6. Machine-learning algorithm for predicting fatty liver disease in a Taiwanese population. www.ncbi.nlm.nih.gov/pmc/articles/PMC9317783/
  7. Advancing non-alcoholic fatty liver disease prediction: machine learning with SHAP interpretability and multi-cohort validation, including NHANES. www.ncbi.nlm.nih.gov/pmc/articles/PMC11493712/
  8. Beyond prediction: explainable machine learning for ferritin estimation from complete blood count. BMC Medical Informatics and Decision Making, 2026. pubmed.ncbi.nlm.nih.gov/42215930/
  9. National Health and Nutrition Examination Survey (NHANES). CDC, National Center for Health Statistics. www.cdc.gov/nchs/nhanes/