Caso de Estudio
Survey-to-AI Pipeline for Patient Insights
From survey to insight in minutes.
Clarivant construyó una canalización impulsada por IA para un proveedor de atención médica, convirtiendo respuestas de encuestas en insights de pacientes accionables en tiempo real.
Resultados Clave
La Transformación
El Desafío
Este proveedor de atención médica recopilaba encuestas de satisfacción del paciente después de cada visita, pero la brecha entre la recopilación y la acción era de semanas, a veces meses. Las respuestas de las encuestas permanecían en SurveyMonkey hasta que alguien las exportaba manualmente, copiaba los resultados en hojas de cálculo e intentaba categorizar los comentarios por tema. Las preguntas estructuradas (escalas de calificación, sí/no) eran manejables, pero las respuestas abiertas, la parte más valiosa, se ignoraban esencialmente porque nadie tenía tiempo para leer cientos de comentarios de texto libre y extraer patrones. Para el momento en que los insights llegaban a la dirección clínica, los problemas que describían ya eran noticias viejas. Un pico en quejas sobre tiempos de espera en un departamento específico podría no emerger durante 6 semanas, momento en el cual la causa raíz (un cambio de programación, una brecha de personal) ya se había resuelto por sí misma o se había agravado. La rotación de personal empeoraba las cosas: el conocimiento institucional sobre preocupaciones recurrentes de los pacientes se perdía constantemente a medida que el personal experimentado se iba y los nuevos empleados comenzaban desde cero. La organización sabía que sus pacientes les estaban diciendo cosas importantes; simplemente no podían procesar la señal lo suficientemente rápido como para actuar sobre ella.
Nuestro Enfoque
Construimos una canalización de extremo a extremo que movía los datos de la encuesta desde la recopilación hasta el insight accionable sin intervención manual. La arquitectura utilizó un enfoque multi-nube impulsado por restricciones prácticas: los webhooks de SurveyMonkey activaban funciones AWS Lambda en cada nueva respuesta, que manejaban la validación inicial de datos y el enrutamiento. Las funciones GCP Cloud ejecutaban la capa de análisis de IA: usamos la API de ChatGPT para clasificar respuestas abiertas en categorías clínicas (tiempos de espera, comunicación del personal, preocupaciones de instalaciones, satisfacción con el tratamiento) y extraer puntuaciones de sentimiento. Los datos clasificados y puntuados aterrizaron en Snowflake, donde construimos modelos de transformación que agregaban respuestas por departamento, proveedor, período de tiempo y categoría de preocupación. La decisión de diseño clave fue el procesamiento casi en tiempo real: en lugar de procesar encuestas en lotes semanalmente, cada respuesta se clasificaba dentro de minutos de su envío. Construimos dos capas de informes. El dashboard operativo mostraba a los jefes de departamento su sentimiento de pacientes rodante de 7 días con profundización en categorías de preocupación específicas; si las quejas de tiempo de espera aumentaban los martes, eso aparecía inmediatamente. El dashboard estratégico daba a la dirección clínica análisis de tendencias mensuales con pruebas de significancia estadística, para que pudieran distinguir cambios genuinos en la experiencia del paciente de la variación normal. La clasificación de IA requería ingeniería de prompts cuidadosa y validación. Probamos el clasificador contra 200 respuestas categorizadas manualmente e iteramos hasta que la precisión superó el 90% en todas las categorías. Las respuestas de las cuales la IA no estaba segura se marcaron para revisión humana en lugar de ser miscategorizadas silenciosamente. También construimos un bucle de retroalimentación: cuando los revisores humanos corregían una clasificación, esas correcciones alimentaban de vuelta los ejemplos de prompt, mejorando la precisión con el tiempo sin requerir reentrenamiento del modelo.
El Resultado
Los insights de las encuestas que antes tomaban semanas en emerger ahora llegaban a los jefes de departamento dentro de horas. El análisis de respuestas abiertas, que había sido esencialmente abandonado bajo el proceso manual, se convirtió en la característica más valorada. La dirección clínica podía ver preocupaciones emergentes de los pacientes en tiempo casi real en lugar de descubrirlas en revisiones trimestrales. La canalización procesaba respuestas a una tasa que habría requerido múltiples analistas a tiempo completo bajo el enfoque manual, y lo hacía de manera consistente sin la degradación de calidad que proviene de la fatiga humana en tareas repetitivas de clasificación. La arquitectura fue diseñada para escalar: agregar nuevos tipos de encuestas o nuevas ubicaciones requería cambios de configuración, no nuevo código. El proveedor posteriormente expandió la canalización para cubrir encuestas post-procedimiento y encuestas de satisfacción del personal utilizando la misma infraestructura. La combinación de clasificación automatizada, alertas en tiempo real y análisis de tendencias dio a la dirección clínica un sistema de retroalimentación que coincidió con el ritmo de la atención al paciente: insights llegando a tiempo para influir realmente en los resultados en lugar de simplemente documentarlos después del hecho. El sistema transformó la retroalimentación del paciente de una casilla de cumplimiento en una herramienta operativa genuina que los jefes de departamento consultaban diariamente como parte de su proceso de gestión de calidad de atención.
¿Quieres resultados similares para tu organización?
HablemosTambién Te Puede Interesar
Modern Data Foundation for Restaurant Franchise: From Oracle Chaos to Governed Analytics
Built enterprise-grade data infrastructure from scratch for Carl's Jr franchise—delivering complete supply chain visibility and single source of truth across 100+ locations.
Leer caso de estudioChurn Model for Paid Listings
Predicting churn to retain paying agents & developers.
Leer caso de estudio¿Listo para convertir datos en decisiones?
Hablemos de cómo lograr ROI medible en meses.