Claimseed genera documentos médicos sintéticos para probar IA

Fuentes: Claimseed generates synthetic medical bills to test AI

Claimseed es una herramienta de código abierto que genera documentos médicos estadounidenses sintéticos, como avisos de Medicare y facturas hospitalarias, en formato PDF. Su objetivo principal es proporcionar un conjunto de datos controlado y seguro para el desarrollo y evaluación de herramientas de extracción de documentos, auditores de facturas y agentes de inteligencia artificial. A diferencia de los conjuntos de datos reales, Claimseed utiliza un sistema de semillas para generar todos los nombres, identificadores y montantes, garantizando que ningún dato provenga de documentos reales y protegiendo la privacidad de los pacientes.

El sistema incluye 1.022 documentos ciegos que abarcan 34 escenarios publicados, incluyendo avisos de Medicare, facturas detalladas y explicaciones de beneficios (EOB) para planes PPO y HMO. Cada documento incorpora marcas de agua diagonales, bandas de especímenes y metadatos PDF que identifican explícitamente que se trata de un documento de prueba, impidiendo su uso en contextos no autorizados. La consistencia técnica es un pilar fundamental: el mismo semilla produce renders idénticos en bytes en diferentes plataformas, lo que permite una evaluación reproducible de los modelos de IA.

La herramienta ofrece múltiples interfaces de uso, desde una librería de Node.js para la generación de datos y renderizado de PDFs, hasta un servidor MCP (Model Context Protocol) que permite a los agentes de IA interactuar con los documentos en tiempo real sin guardar archivos locales. Además, incluye un sistema de claves ciegas (blind keys) que permite a los desarrolladores evaluar sus modelos sin riesgo de que los datos entren en conjuntos de entrenamiento futuros, manteniendo la integridad de los datos de prueba. Esta infraestructura es esencial para empresas de tecnología de la salud que necesitan validar la precisión de sus sistemas de revisión de facturas y extracción de datos sin depender de datos reales sensibles.