Seis capas de verificación contra el fraude clínico

En una plataforma de casos clínicos e interconsultas, la imagen médica es la evidencia central. Eso la vuelve un objetivo: cuando un caso otorga valor, aparece la motivación para falsearlo.

VeriMed es el sistema con el que verificamos que cada imagen que entra a Teral sea auténtica y corresponda al caso que la acompaña. No se apoya en un único método: aplica seis capas de verificación complementarias que producen señales independientes.

Esas señales no bloquean nada por sí solas. Priorizan casos para que una persona los revise con toda la evidencia a la vista. La decisión final siempre es humana.

Por qué la imagen clínica es un objetivo

Un caso clínico bien documentado tiene valor real dentro de Teral: aporta reputación profesional, sirve como material de formación para otros médicos y alimenta la base de conocimiento de la plataforma. Ese valor es lo que hace que la comunidad funcione.

Ese mismo valor crea incentivo para falsear. No es un problema hipotético ni exclusivo de Teral: cualquier sistema donde la evidencia visual sostiene una afirmación enfrenta la misma presión. Y con la madurez de las herramientas generativas, el costo de producir una imagen convincente bajó de forma considerable.

Las formas de falseo que nos preocupan se agrupan en tres intenciones distintas:

• Apropiación. Presentar como propia una imagen que pertenece a otro caso, a otro médico o a una fuente externa.
• Manipulación. Alterar una imagen para que no se reconozca su origen, o producirla con herramientas generativas.
• Incoherencia clínica. Acompañar una imagen real con una historia clínica que no le corresponde.

El punto importante es que estas tres intenciones no se detectan igual. Verificar si una imagen ya existía en la plataforma es un problema distinto a evaluar si la imagen concuerda con el texto que la describe. Un sistema que solo hiciera una de las dos cosas dejaría la otra puerta abierta.

Defensa en capas

VeriMed no depende de un único truco. Aplica un conjunto de capas complementarias que van de las más rápidas y económicas a las más profundas. Cada capa observa la imagen desde un ángulo distinto y produce una señal propia.

Evadir una capa es posible. Evadirlas todas al mismo tiempo es considerablemente más difícil.

Ese es el principio que ordena la arquitectura. La robustez no viene de que una capa sea infalible, sino de que las capas son heterogéneas entre sí: analizan cosas diferentes, con técnicas diferentes, y fallan de maneras diferentes.

Capa 01 — Procedencia y metadatos

Lee la ficha técnica del archivo: datos de la captura, equipo, fechas. Detecta incoherencias en el origen del material sin necesidad de mirar un solo píxel.

Capa 02 — Huella digital exacta

Identifica archivos idénticos a otros ya presentes en la plataforma, independientemente del nombre del archivo o de los datos que lo acompañen.

Capa 03 — Huella perceptual

Reconoce cuándo se trata de la misma imagen aunque el archivo no sea el mismo, atendiendo a la apariencia visual en lugar de a los bytes. Una recompresión, un reencuadre o un ajuste de brillo no la engañan.

Capa 04 — Comprensión visual con IA

Un modelo de visión interpreta el contenido de la imagen, no solo su forma. Eso permite encontrar coincidencias entre imágenes que se ven distintas pero muestran lo mismo.

Capa 05 — Analizadores especializados

Un conjunto de detectores dedicados a señales específicas: indicios de recaptura, marcas de generación sintética y —con un modelo multimodal— la coherencia entre la imagen y la historia clínica del caso. Una radiografía de tórax descrita como una fractura de muñeca es una discrepancia evidente para este análisis.

Capa 06 — Verificación geométrica de precisión

Un análisis fino que confirma si dos imágenes corresponden a la misma pieza física, incluso cuando la orientación o el encuadre no coinciden.

Cada capa aporta una señal. Un motor de puntuación las combina en un nivel de riesgo asociado al caso, que es lo que determina si vale la pena que una persona lo mire.

El principio que ordena todo el sistema

Ninguna imagen se rechaza de forma automática.

VeriMed no bloquea. Prioriza. Cuando las señales indican riesgo, el caso llega a un revisor con toda la evidencia organizada y un informe que explica por qué el sistema lo marcó. La decisión la toma la persona.

Esta decisión no es técnica, es ética, y conviene explicarla con claridad. El costo de acusar por error a un profesional legítimo es alto: afecta su reputación, su relación con la plataforma y su confianza en el sistema. Un falso positivo automatizado no es un error menor de software; es un daño a alguien que no hizo nada mal.

Por eso la arquitectura está construida para asistir el criterio humano, no para sustituirlo. Los detectores producen señales. El informe de triaje, redactado por IA, contextualiza esas señales en lenguaje comprensible. El revisor decide en un clic, con la evidencia completa delante. Lo que la IA aporta es velocidad y contexto, no veredictos.

Los otros principios

• Capas heterogéneas, no redundantes. No existe un único punto de fallo. La robustez viene de que las capas son distintas entre sí, no de que una sea perfecta.
• La procedencia envejece mejor que la detección. Frente a la IA generativa, analizar el contenido de una imagen es una carrera sin final. Verificar su origen es una posición más estable en el tiempo. VeriMed está diseñado para incorporar procedencia verificable a medida que esas tecnologías maduran.
• Aprende de las decisiones humanas. Cada veredicto de un revisor es información. El sistema se afina con esas decisiones en lugar de operar con reglas fijas.
• Integración sin duplicar datos. VeriMed se conecta al sistema de casos existente y trabaja sobre referencias. No crea copias paralelas de las imágenes ni una segunda infraestructura de almacenamiento.

Qué hace la IA aquí

Tres piezas de inteligencia artificial trabajan en distintos puntos del pipeline, cada una con una función acotada.

Modelos de visión. Representan cada imagen como un vector que captura su significado visual. Esto permite buscar por similitud semántica: encontrar imágenes que muestran lo mismo, aunque no se parezcan como archivos. Es lo que hace posible comparar una imagen nueva contra el histórico completo en milisegundos.

Modelo multimodal. Evalúa la relación entre la imagen y el texto clínico que la acompaña, y redacta el informe de triaje que lee el revisor. Es la pieza que traduce señales técnicas a una explicación en lenguaje natural.

Búsqueda vectorial a escala. La infraestructura que sostiene las comparaciones. Sin ella, contrastar cada imagen nueva contra todo el histórico no sería viable en tiempo de subida.

Un detalle que importa: la detección se calibra con imágenes clínicas reales de la plataforma, no con datasets de fotografía general. Una radiografía no se comporta como una foto de vacaciones. Los artefactos de compresión, los rangos de contraste y las características de captura son distintos, y un detector afinado con fotos naturales produce ruido cuando se le pone al frente material médico.

Privacidad por diseño

Verificar imágenes clínicas implica procesarlas, y eso obliga a ser explícitos sobre qué se guarda y qué no.

• Anonimización. Los identificadores de paciente se protegen antes de almacenarse. VeriMed no conserva datos personales identificables del paciente.
• Minimización. El sistema referencia las imágenes donde ya viven en la plataforma. No genera copias innecesarias.
• Gobierno del dato. Está diseñado para cumplir la normativa sanitaria y de protección de datos aplicable, con auditoría de accesos.
• Transparencia hacia quien sube. A quien carga una imagen se le comunica un estado general del proceso. Los métodos internos de verificación no se exponen, por la misma razón por la que este artículo describe las capas sin detallar sus umbrales.

Dónde está VeriMed hoy

Conviene ser precisos sobre el estado del sistema, porque hay una diferencia real entre un pipeline que funciona y un sistema en operación plena.

A julio de 2026:

• Pipeline completo funcionando e integrado con el sistema de casos, desplegado en la nube.
• Primera calibración realizada con imágenes clínicas reales de la plataforma.
• En pruebas controladas con el equipo interno, antes de ampliar la cobertura a la totalidad de usuarios.

VeriMed es un sistema en marcha y en evolución. No lo presentamos como infalible ni como un dispositivo médico certificado, porque no es ninguna de las dos cosas. Es una capa de integridad que crece con la plataforma y que se ajusta con cada decisión que toma un revisor.

Puedes probarlo directamente aquí: sube una imagen médica y ve qué detecta el pipeline en tiempo real.

Hacia dónde va

La detección de contenido sintético es una carrera de armas: cada mejora en generación exige una respuesta en detección, y esa dinámica no tiene un punto final claro. Apostar todo a detectar lo falso es apostar a ganar una carrera indefinida.

La defensa de largo plazo no es detectar mejor las imágenes falsas. Es poder verificar el origen de las verdaderas.

Ahí es donde queremos llevar VeriMed. Una imagen capturada dentro de la aplicación, con credenciales de contenido que acompañen el archivo desde el momento de la captura, no necesita ser analizada para determinar si es auténtica: su origen es verificable por construcción. Las capas de detección seguirán siendo necesarias para todo lo que entra por otras vías, pero la procedencia verificable es la base sobre la que se puede construir a diez años.

Mientras esas tecnologías maduran, la arquitectura está preparada para incorporarlas sin rehacerse.

Este artículo describe las capas de VeriMed y los principios que las ordenan, pero de forma deliberada no publica umbrales, parámetros de decisión, nombres de modelos específicos ni métricas de detección. Detallar esa información facilitaría el trabajo de quien intente evadir el sistema, lo cual iría en contra del propósito de tenerlo.