Verificación de radiografías dentales en tiempo real con SageMaker AI

El problema: calidad de imagen y tiempos perdidos

En odontología, la calidad de la imagen no es solo una cuestión técnica: determina si una reclamación de seguro se aprueba o se rechaza. Hasta un 20% de las reclamaciones son rechazadas inicialmente, y la falta o baja calidad de las radiografías está entre las causas principales. Tradicionalmente, la evaluación de calidad se realizaba de forma manual y después del hecho: un clínico revisa la radiografía horas o días más tarde y, si está borrosa, mal alineada o incompleta, el paciente debe regresar para una nueva toma. Eso implica costos adicionales, demoras en tratamientos y una mala experiencia para paciente y equipo.

El núcleo del problema es el tiempo: la retroalimentación llega demasiado tarde, cuando el momento clínico ya pasó. Resolver esto requiere llevar la verificación al punto de captura, en fracciones de segundo.

Qué hizo Henry Schein One: Image Verify

Henry Schein One integró Image Verify directamente en los flujos de trabajo de sus plataformas de gestión Dentrix y Dentrix Ascend. La solución evalúa radiografías dentales inmediatamente después de ser capturadas y devuelve una calificación de calidad en una escala del 1 al 5. Si la imagen recibe una puntuación baja, el técnico puede repetir la toma mientras el paciente aún está presente, evitando una cita de retorno.

Image Verify fue desarrollado y desplegado con rapidez: pasó de concepto a producción en cuestión de meses. En semanas llegó a 250 consultorios y, para fines de abril de 2026, ya operaba en más de 10,000 locaciones activas. La plataforma ha procesado más de 11 millones de radiografías y crece a un ritmo de aproximadamente 1.5 millones por semana, con planes de escalar hacia 40,000 locaciones a nivel global en cuatro regiones.

Es importante subrayar que Image Verify es una solución de control de calidad, no un sistema de diagnóstico: su propósito es responder a una pregunta específica, “¿esta imagen es suficientemente buena para su uso clínico?”, lo que permitió iteraciones más ágiles y evitó las restricciones regulatorias que aplican a la IA clínica.

Beneficios operativos y clínicos

Para las prácticas dentales, los impactos son palpables:

• Menos llamadas y citas de regreso para re-tomas
• Mayor tasa de aprobación de reclamaciones por imágenes completas y con la calidad requerida
• Mejora en la capacitación de técnicos, con feedback inmediato
• Un elemento de gamificación que incentiva la mejora continua del personal

En mercados como América Latina, donde recursos y tiempos de espera pueden ser limitados, reducir la necesidad de una segunda visita tiene un beneficio directo en costos y accesibilidad al tratamiento.

Arquitectura y decisiones técnicas clave

La solución se construyó nativamente sobre AWS, aprovechando Amazon SageMaker AI para inferencia de modelos a escala. La capa de aplicación corre en Amazon Elastic Kubernetes Service (Amazon EKS), que orquesta las solicitudes entre la aplicación de gestión de la práctica y los endpoints de inferencia de SageMaker AI.

Cuando se captura una imagen, esta entra a una canalización de inferencia multinivel en SageMaker AI que opera en etapas secuenciales:

1. Clasificación: identifica el tipo de imagen (bitewing, panorámica, periapical) y direcciona la imagen a los modelos de calidad adecuados.
2. Evaluación de calidad: modelos especializados analizan nitidez, alineación, cobertura y completitud según el tipo de imagen.
3. Agregación de puntuación: los resultados se combinan en una única calificación de 1 a 5 que se devuelve a la aplicación de la práctica.

El tiempo total de ida y vuelta, desde la captura hasta que el puntaje aparece en pantalla, tiene una mediana de 1.4 segundos y un P90 de 2.2 segundos, suficiente para integrarse de forma natural en el flujo clínico. El sistema mantiene una tasa de error de 0.01% a lo largo de millones de inferencias.

Estas métricas se lograron gracias a decisiones específicas:

• SageMaker AI async inference: permite gestionar volúmenes variables sin sobreprovisionar, y escala basándose en la profundidad de la cola en lugar de la utilización de CPU, lo que da una señal más precisa para cargas de trabajo en GPU.
• Selección de instancias GPU: tras pruebas, el equipo migró de instancias ml.g6e.4xlarge a ml.g7e.4xlarge, con una reducción de latencia mediana de 1.687 a 1.432 segundos.
• Orquestación en EKS: la capa de Kubernetes gestiona las solicitudes y mantiene una experiencia consistente para los técnicos en miles de locaciones.

Retos y consideraciones económicas

Ofrecer inferencia en GPU a gran escala puede ser muy costoso si no se optimiza. El uso de inferencia asíncrona, el autoescalado dirigido por la cola y la selección adecuada de familia de instancias fueron esenciales para equilibrar latencia y costo. Además, operar en múltiples regiones con consistencia de performance exige planificación de despliegue y gobernanza de datos, particularmente en el sector salud.

Relevancia para América Latina

Para la audiencia latinoamericana, Image Verify muestra cómo la IA puede resolver un problema operacional concreto y de alto impacto económico en salud. Clínicas, redes de atención y aseguradoras en la región pueden beneficiarse de soluciones similares al reducir rechazos de reclamaciones, disminuir tiempos de espera y mejorar la experiencia del paciente.

Algunos puntos a considerar para adopciones en la región:

• Infraestructura: la latencia entre el punto de captura y la inferencia es crítica; la proximidad de la región cloud o despliegues locales pueden marcar la diferencia.
• Costos y modelo de negocio: modelos de pago por uso y optimizaciones de inferencia ayudan a mantener la solución rentable para clínicas de distinto tamaño.
• Regulación y privacidad: aunque Image Verify no realiza diagnóstico, los datos de imágenes siguen siendo sensibles; hay que cumplir normativas locales de protección de datos.

Conclusión

Image Verify es un ejemplo claro de cómo la IA aplicada al punto de cuidado puede transformar procesos clínicos y administrativos. Al ofrecer verificación de calidad en tiempo real, Henry Schein One redujo fricciones, mejoró la aceptación de reclamaciones y elevó la eficiencia operativa. Para organizaciones en América Latina, esta aproximación sugiere una vía práctica para mejorar la atención y optimizar costos sin entrar en el terreno regulatorio complejo de los diagnósticos asistidos por IA.

“Image Verify was only an idea at the end of Q3. In 6 months it was created, refined, and now deployed at scale. The design and workflow make adoption fast, intuitive, and scalable.” — Troy Miller, VP Architecture, Henry Schein One