Interoperabilidad Semántica

Qué significa que los datos “quieran decir lo mismo”

La interoperabilidad semántica es la capacidad de intercambiar datos de salud de tal manera que conserven su significado cuando pasan de un sistema a otro. No se trata solamente de que dos aplicaciones se conecten, ni de que un mensaje llegue sin errores. Se trata de que el dato pueda ser entendido correctamente por quien lo recibe y utilizado sin tener que reconstruir manualmente su sentido.

Un ejemplo simple ayuda a verlo. Si un sistema envía “diabetes” como texto libre, otro puede recibir la palabra, pero no necesariamente sabrá si se refiere a diabetes tipo 1, tipo 2, diabetes gestacional, antecedente familiar, diagnóstico activo o motivo de consulta. Si además cada institución usa abreviaturas locales, códigos propios o unidades distintas, la información puede circular y aun así no ser clínicamente reutilizable.

Por eso la interoperabilidad semántica trabaja sobre vocabularios, terminologías, clasificaciones, modelos de información y reglas de mapeo. Su objetivo es que un diagnóstico, un resultado de laboratorio, un medicamento, un procedimiento o una observación clínica mantengan un significado compartido para profesionales, sistemas, tableros de gestión, algoritmos y repositorios de datos.

Qué dice la evidencia

La evidencia disponible converge en una idea sencilla: el intercambio técnico de datos no alcanza si los sistemas no comparten el significado de lo que intercambian. Los trabajos sobre historias clínicas electrónicas, modelos de información clínica, ontologías, FHIR, openEHR, OMOP y terminologías como SNOMED CT, LOINC, CIE/ICD o ATC muestran que la interoperabilidad semántica es una capa propia de trabajo, distinta de la conectividad.

Para el lector, esto significa que no hay que esperar una única solución universal. Cada estándar resuelve una parte del problema. Algunos sirven para clasificar diagnósticos y producir estadísticas; otros para representar conceptos clínicos con detalle; otros para identificar observaciones de laboratorio, medicamentos o estructuras comunes de datos. La clave está en elegirlos y gobernarlos según el uso esperado.

En conjunto, los estudios revisados señalan tres ideas. Primero, compartir datos no garantiza compartir significado. Segundo, adoptar una terminología estándar no elimina el trabajo de mapeo, validación y mantenimiento. Tercero, la interoperabilidad semántica se vuelve útil cuando se combina con gobernanza de datos, calidad del registro, flujos de trabajo clínicos y capacidades técnicas para validar códigos y transformar información entre sistemas.

No todas las terminologías cumplen la misma función

Un error frecuente es hablar de “el estándar” como si todos sirvieran para lo mismo. En realidad, cada familia cumple una función distinta. SNOMED CT, o Systematized Nomenclature of Medicine Clinical Terms, es una terminología clínica amplia, pensada para representar conceptos clínicos con mucho detalle. Puede codificar hallazgos, procedimientos, situaciones clínicas y relaciones entre conceptos.

LOINC, o Logical Observation Identifiers Names and Codes, se usa para identificar observaciones, mediciones, resultados de laboratorio y documentos clínicos. Es especialmente importante cuando se quiere comparar o intercambiar resultados entre laboratorios, historias clínicas, repositorios de datos o redes asistenciales.

La Clasificación Internacional de Enfermedades, conocida como ICD por International Classification of Diseases o CIE en español, tiene otro papel. CIE-10 sigue siendo muy usada para diagnósticos, estadísticas, morbilidad, mortalidad, facturación y análisis poblacional. CIE-11 amplía sus posibilidades digitales y semánticas, pero sigue siendo una clasificación orientada a ordenar información de salud a escala de sistema. Esto la vuelve central para vigilancia, indicadores y gestión, aunque no siempre alcance para describir con detalle una situación clínica dentro de una historia clínica electrónica.

ATC, o Anatomical Therapeutic Chemical Classification, clasifica medicamentos según el órgano o sistema sobre el que actúan y sus propiedades terapéuticas, farmacológicas y químicas. Es muy útil para estudios de utilización de medicamentos, compras, consumo y comparación entre poblaciones. No reemplaza a una base local de productos ni a la prescripción electrónica, pero puede dar una capa común para análisis farmacológico y gestión.

También existen herramientas como UMLS, Unified Medical Language System, o MeSH, Medical Subject Headings, que ayudan a vincular vocabularios, buscar literatura, recuperar información y articular conceptos biomédicos. OMOP, por Observational Medical Outcomes Partnership, funciona como modelo común de datos para investigación observacional. openEHR aporta modelos clínicos, arquetipos y plantillas que separan el significado clínico de la implementación técnica.

El papel de HL7/FHIR sin confundirlo con todo el problema

HL7, Health Level Seven International, y FHIR, Fast Healthcare Interoperability Resources, son muy relevantes para el intercambio moderno de información sanitaria. FHIR organiza datos en recursos y permite intercambiarlos mediante interfaces y tecnologías web. Pero FHIR no reemplaza a las terminologías clínicas; las necesita.

La propia lógica terminológica de FHIR diferencia sistemas de códigos, conjuntos de valores y mapas conceptuales. Un sistema de códigos define conceptos y códigos; un conjunto de valores selecciona qué códigos pueden usarse en un contexto; un mapa conceptual relaciona conceptos entre sistemas. Esta distinción es clave para gestión: no alcanza con decir “usamos FHIR” si no se define qué códigos se aceptan, cómo se validan, qué versión se usa y cómo se resuelven las equivalencias.

Los estudios sobre transformación de documentos HL7 CDA a FHIR muestran que el intercambio técnico puede mejorar cuando existen reglas de mapeo y componentes reutilizables. Pero también dejan una advertencia: transformar estructuras no equivale automáticamente a preservar significado. La interoperabilidad semántica exige revisar qué se está transformando, con qué pérdida de información y bajo qué reglas de validación.

Mapear códigos es una tarea clínica y organizacional

Uno de los hallazgos más prácticos aparece en los laboratorios. Un estudio sobre códigos LOINC en hospitales universitarios de Corea encontró brechas y similitudes en los mapeos usados para investigación y atención. La conclusión para gestión es sencilla: mapear códigos locales a un estándar no es una conversión administrativa menor. Requiere revisión experta, control de calidad y mantenimiento.

El mismo principio vale para diagnósticos, procedimientos y medicamentos. Si una institución decide usar CIE-10, SNOMED CT, LOINC o ATC, debe definir quién mantiene los catálogos, cómo se resuelven dudas, cómo se actualizan versiones y qué ocurre cuando un código local no tiene correspondencia clara. La interoperabilidad semántica no se instala una vez; se gobierna.

Por qué importa para una organización de salud

Para un hospital, una red o un financiador, la interoperabilidad semántica permite comparar información sin depender de interpretaciones manuales caso por caso. Puede ayudar a evitar duplicación de estudios, mejorar continuidad asistencial, alimentar tableros de calidad, sostener vigilancia epidemiológica, evaluar resultados, estimar riesgo, auditar prestaciones y reutilizar datos para investigación.

Pero su valor depende de la pregunta. Si el objetivo es medir mortalidad o carga de enfermedad, CIE puede ser suficiente y apropiada. Si se quiere representar con precisión hallazgos clínicos dentro de la historia clínica electrónica, SNOMED CT puede ser más adecuada. Si se necesita comparar resultados de laboratorio, LOINC es central. Si se analiza consumo de medicamentos, ATC puede ser más útil. Si se busca integrar datos para investigación multicéntrica, OMOP puede aportar una estructura común.

La decisión correcta, entonces, no es elegir una sigla de moda. Es definir qué dato se necesita, para qué uso, con qué nivel de detalle, quién lo va a registrar, quién lo va a consumir y cómo se va a mantener su significado a lo largo del tiempo.

Lo que puede salir mal

La interoperabilidad semántica falla cuando se reduce a una compra tecnológica. También falla cuando cada organización mantiene catálogos propios sin mapeo, cuando los profesionales registran en texto libre lo que luego se quiere analizar como dato estructurado, o cuando se exige codificación detallada sin tiempo, capacitación ni utilidad visible para quien registra.

Otro riesgo es la falsa precisión. Un código puede parecer exacto, pero estar mal elegido, desactualizado o usado con criterios distintos entre servicios. En esos casos, el dato queda formalmente codificado, pero semánticamente débil. Para gestión, esto es peligroso porque los indicadores adquieren apariencia de objetividad aunque estén construidos sobre significados inconsistentes.

Por eso la interoperabilidad semántica necesita una combinación de estándares, gobernanza, capacitación, validación, auditoría y retroalimentación. Sin esos componentes, el estándar queda como una etiqueta técnica; con ellos, puede convertirse en infraestructura para coordinar cuidados y aprender del sistema.

Una forma práctica de pensarlo

Una organización que quiera avanzar puede empezar con preguntas concretas. ¿Qué datos deben interoperar? ¿Diagnósticos, laboratorios, medicación, procedimientos, alergias, problemas activos, resultados reportados por pacientes? ¿Qué terminología corresponde a cada uno? ¿Qué parte puede codificarse en origen y qué parte requiere mapeo posterior? ¿Qué versión se usará? ¿Quién será responsable de mantenerla?

La interoperabilidad semántica no consiste en que todos los sistemas usen las mismas pantallas ni los mismos proveedores. Consiste en construir una base común de significado para que los datos puedan circular, integrarse, compararse y reutilizarse de manera responsable. Cuando eso ocurre, la información deja de ser solo un registro local y empieza a funcionar como un activo compartido para la atención, la gestión y la salud pública.

Referencias

1. World Health Organization. International Classification of Diseases (ICD). WHO; 2026. https://www.who.int/standards/classifications/classification-of-diseases
2. National Library of Medicine. SNOMED CT. NLM; 2026. https://www.nlm.nih.gov/healthit/snomedct/index.html
3. Regenstrief Institute. LOINC: international standard for identifying health observations, measurements, and documents. 2026. https://loinc.org/
4. World Health Organization. Anatomical Therapeutic Chemical (ATC) Classification. WHO ATC/DDD Toolkit; 2026. https://www.who.int/tools/atc-ddd-toolkit/atc-classification
5. HL7 International. FHIR Terminology Module: CodeSystem, ValueSet and ConceptMap. HL7 FHIR R5; 2023. https://hl7.org/fhir/terminology-module.html
6. openEHR Foundation. openEHR Specifications: architecture, archetypes, templates and terminology. https://specifications.openehr.org/
7. Moreno-Conde A, Moner D, da Cruz WD, dos Santos MR, Maldonado JA, Robles M, Kalra D. Clinical information modeling processes for semantic interoperability of electronic health records: systematic review and inductive analysis. Journal of the American Medical Informatics Association. 2015. doi: 10.1093/jamia/ocv008
8. Toffanello A, Goncalves R, Kitajima A, Puttini R, Aguiar A. An Architecture for Semantically Interoperable Electronic Health Records. Studies in Health Technology and Informatics. 2017. PMID: 29295089
9. Bossenko I, Randmaa R, Piho G, Ross P. Interoperability of health data using FHIR Mapping Language: transforming HL7 CDA to FHIR with reusable visual components. Studies in Health Technology and Informatics. 2024. doi: 10.3233/SHTI240047
10. Park K, Kim MS, Oh YJ, Rim JH, Yu S, Ryu H, Cho EJ, Lee K, Kim HN, Chun I, Kwon A, Kim S, Chung JW, Chae H, Oh JS, Park HD, Kang M, Yun YM, Lim JB, Lee YK, Chun S. Gaps and Similarities in Research Use LOINC Codes Utilized in Korean University Hospitals: Towards Semantic Interoperability for Patient Care. Journal of Korean Medical Science. 2025. doi: 10.3346/jkms.2025.40.e4
11. Kapitan D, Heddema F, Dekker A, Sieswerda M, Verhoeff BJ, Berg M. Data Interoperability in Context: The Importance of Open-Source Implementations When Choosing Open Standards. Strategy Science. 2025. doi: 10.1287/stsc.2019.0094
12. Das S, Hussey P. HL7-FHIR-Based ContSys Formal Ontology for Enabling Continuity of Care Data Interoperability. Journal of Personalized Medicine. 2023. doi: 10.3390/jpm13071024