A una década de la implantación de la CIE-10-ES en España, la codificación clínica continúa evolucionando para reflejar con mayor precisión la práctica asistencial. Desde su entrada en vigor en 2016, este sistema ha supuesto un avance decisivo frente a la CIE-9-MC, gracias a su mayor especificidad y alineación internacional. Con motivo de su décimo aniversario, el artículo analiza los principales cambios introducidos en la versión 2026, la sexta edición de la CIE-10-ES, que incorpora 689 nuevos códigos de diagnóstico y 524 de procedimientos, reforzando el papel de la codificación clínica como herramienta clave para la gestión y el análisis sanitario.

La transición hacia la CIE-11 representa un avance significativo en la forma de clasificar y registrar las enfermedades a nivel mundial, pero también plantea importantes desafíos para los sistemas de salud. Esto exige una sólida estrategia de capacitación para los profesionales de la salud, un cambio cultural en la forma de registrar y analizar la información, y una inversión considerable en recursos tecnológicos y financieros. Con estrategias adecuadas, la transición hacia la CIE-11 puede transformarse en una oportunidad para modernizar y optimizar la gestión sanitaria.

Enara MLS® es una solución de analítica avanzada que, mediante modelos expertos de Machine Learning desarrollados por Sigesa, permite a las organizaciones sanitarias analizar sus resultados con una perspectiva innovadora. En nuestro artículo exploramos los principales retos superados para garantizar la fiabilidad, precisión e impacto real de esta tecnología en el sector salud.

Las tecnologías basadas en Inteligencia Artificial y Machine Learning permiten un análisis avanzado de grandes volúmenes de datos, transformando la gestión hospitalaria y convirtiendo información compleja en decisiones clave para potenciar la Sanidad.

Sigesa, líder en soluciones innovadoras para mejorar la gestión sanitaria, se complace en anunciar la promoción de Mikel Calero al cargo de Director de Desarrollo de Software.

En el mundo de la atención médica, la seguridad del paciente se ha consolidado como una prioridad fundamental en el ámbito de la atención médica. El objetivo principal es minimizar los riesgos y daños asociados con la atención clínica a través de prácticas y procesos rigurosos que prevengan errores y eventos adversos. Este enfoque no solo mejora la calidad del cuidado, sino que también garantiza que cada paciente reciba una atención segura y de calidad.

Los sesgos presentes en los modelos de ML representan una preocupación de gran envergadura, en especial en sectores como la Sanidad, donde la precisión y la imparcialidad son aspectos fundamentales para brindar una atención de calidad. Abordar estos sesgos exige un enfoque multidisciplinar que abarque desde la recolección y selección de datos hasta el diseño e implantación de los algoritmos.