Una startup de Nueva York levanta 12,5 millones para entrenar a la IA en medicina

Alterra Labs crea entornos simulados donde los modelos practican decisiones clínicas, con médicos que corrigen sus errores. Su ronda inicial la lidera Oak HC/FT, y el reto es que la IA sepa cuándo no debe actuar.

Una startup de Nueva York levanta 12,5 millones para entrenar a la IA en medicina

Alterra Labs, una startup de Nueva York, anuncia una ronda inicial de financiación («seed») de 12,5 millones de dólares para construir entornos simulados donde las IA aprenden a trabajar en medicina. La ronda la dirige Oak HC/FT, con la participación de Flare Capital Partners y Company Ventures.

La empresa pone a prueba los modelos con tareas médicas para detectar dónde fallan y, a partir de esos fallos, diseña ejercicios de entrenamiento. Médicos y científicos ayudan a preparar las tareas y a juzgar las decisiones de los modelos, y su opinión sirve a los desarrolladores para mejorarlos.

Decisiones clínicas, no solo manejo de programas

En un caso de paciente simulado, por ejemplo, un modelo puede tener que decidir qué pruebas pedir. Después, los clínicos evalúan si esa elección es médicamente adecuada. Las valoraciones se convierten en criterios de puntuación y recompensas para el aprendizaje por refuerzo, un método que anima al modelo a repetir las decisiones buenas y a evitar las conductas que los expertos han marcado como peligrosas.

El fundador y director ejecutivo, Akash Kapoor, explica que los modelos actuales aprenden a manejar el software, pero siguen fallando en el juicio clínico que hay detrás de cada acción. «Los modelos no saben cuándo no hacer algo por un paciente, ni cómo manejar la incertidumbre», afirma.

Los fallos que ya se ven en los test

Investigadores de Stanford han encontrado dificultades similares en PhysicianBench y HealthAdminBench, dos pruebas que miden cómo se desenvuelven los agentes de IA en trabajo clínico y administrativo. En ambas, el agente con mejores resultados completó menos de la mitad de las tareas. Algunos describieron bien la acción correcta en una nota clínica, pero nunca la ejecutaron en la historia clínica electrónica. Otros perdieron información al pasar de un sistema informático a otro.

Por qué el dinero va hacia los entornos

Vig Chandramouli, socio de Oak HC/FT y responsable de la inversión, señala que su fondo ha visto el mismo patrón en las empresas de salud que apoya: adaptar un modelo al trabajo médico exige algo más que datos. Hacen falta entornos realistas y criterio clínico. Según él, los laboratorios de IA están pasando por un cambio parecido: «Todo el dinero que fue a ‘necesito datos’ ahora evoluciona hacia ‘necesito entender cómo hacer bien el trabajo’».

Chandramouli ve una oportunidad en recrear con realismo los programas que usan médicos y administrativos, como las historias clínicas electrónicas, los portales de aseguradoras o los sistemas de facturación, para que los modelos practiquen trabajo real. Según dice, los grandes laboratorios todavía no han entrado a fondo en esos entornos, y crear tareas realistas dentro de ellos exige gente que entienda tanto la práctica clínica como el comportamiento de los modelos. «No se puede construir esto sin clínicos», afirma. «Y, más concretamente, clínicos que de verdad entiendan cómo funciona la IA».

Kapoor encaja en ese perfil. Estudió aprendizaje automático antes de dedicarse a la medicina, hizo investigación en este campo en los Institutos Nacionales de Salud de Estados Unidos y cursó tres años en la Facultad de Medicina de Columbia. La empresa nació en 2025 como ChartR, mientras él estudiaba en Columbia, y al principio trabajaba con centros sanitarios para observar cómo se comportaban los modelos más avanzados en entornos clínicos.

De atender pacientes a entrenar modelos

Según Kapoor, los modelos parecían capaces al principio, pero sus debilidades salían a la luz cuando tenían que seguir a un paciente a lo largo del tiempo, manejar grandes cantidades de información o encadenar varias decisiones. También les costaba reconocer cuándo no tenían datos suficientes para actuar con seguridad. Esas observaciones llevaron a la empresa a trabajar directamente con los desarrolladores de modelos. Kapoor dejó la carrera de Medicina en su último año para dedicarse a Alterra a tiempo completo.

La experiencia personal de Kapoor también pesa en su enfoque. Según ha contado, cuando era estudiante en la UCLA descubrió en su portal de paciente un informe de radiografía de dos años antes que advertía de un posible tumor canceroso en la pierna y recomendaba una consulta urgente con oncología. Nadie se lo había comunicado. Le diagnosticaron un osteosarcoma.

La apuesta de Alterra es que la siguiente gran mejora de la IA médica no llegue solo con más datos, sino con entornos donde los modelos se equivoquen antes de hacerlo con un paciente real.

Newsletter · gratis

La semana de la IA, en cinco minutos.

Únete a los lectores que empiezan la semana sabiendo qué pasa en la IA. Cada domingo, en tu correo.