Claude, convertido en analista médico personal con acceso a datos de sueño y análisis clínicos

Claude puede pasar de ser un chatbot convencional a un analista de salud personal si se le conectan datos biométricos, de alimentación, de peso y documentos médicos. El autor del experimento montó este esquema con Claude Integrations y mostró cómo el modelo empieza a detectar relaciones entre el sueño, el pulso, la dieta y los análisis de sangre casi en tiempo real.

Cómo funciona el esquema

El centro del sistema es Claude, que no recibe datos de una sola aplicación, sino de varias fuentes a la vez. Oura Ring aporta los datos de sueño, pulso en reposo, HRV y actividad. La alimentación llega desde el bot de Telegram FoodTrack: basta con enviarle una foto de la comida para obtener calorías, proteínas, grasas y carbohidratos. El peso y la composición corporal proceden de una báscula Xiaomi a través de la cadena Zepp Life, Apple Health y Health2Notion.

Notion funciona como una capa aparte: allí se guardan los análisis, las consultas médicas, la medicación y el historial. Así, el modelo no trabaja con un conjunto disperso de notas, sino con un mapa digital unificado del estado de la persona. Claude puede cruzar las señales «en bruto» de los wearables con eventos médicos menos frecuentes pero relevantes: resultados de laboratorio, cambios de peso, prescripciones de fármacos y notas manuales.

En este nivel aparece el valor principal: además de responder preguntas sueltas, la IA busca correlaciones entre varios flujos de datos que cuesta detectar a mano, incluso llevando un diario meticuloso.

Cómo se conectó

Parte del esquema se monta con herramientas estándar. Notion ya figura entre los conectores predeterminados de Claude, así que basta con dar acceso a las páginas con los datos médicos. Para Oura, en cambio, hubo que recurrir a un proyecto open source de GitHub: el autor lo desplegó en su propio servidor y lo añadió a Claude como custom connector. FoodTrack se conecta con la misma lógica: el bot devuelve una dirección MCP única que Claude usa como una fuente de datos más.

El autor destaca también el papel del prompt de sistema en Custom Instructions. En él describió brevemente de qué se encarga cada conector: Oura, de las métricas operativas; Notion, del historial y los documentos; FoodTrack, de la alimentación. A partir de ahí, Claude deja de adivinar dónde buscar la respuesta y acude directamente a la fuente adecuada. Esta capa de instrucciones parece un detalle menor, pero en la práctica mejora mucho la calidad del análisis y reduce las aclaraciones innecesarias.

Qué conclusiones ofrece

Lo más interesante del esquema no es la conexión en sí, sino el tipo de preguntas que permite plantear. El autor no le pide al modelo consejos abstractos sobre «cómo estar más sano», sino que lo usa como analista de su propio conjunto de datos. Por ejemplo, Claude puede comprobar si el pulso en reposo sube tras dormir poco, si las calorías y las proteínas bastan para la carga de entrenamiento actual o cómo evolucionaron los biomarcadores de los análisis en relación con la medicación, el estrés y los hábitos.

• Relación entre la duración del sueño y el pulso en reposo al día siguiente
• Suficiencia de la alimentación para el volumen de entrenamiento y la recuperación
• Evolución del peso y la composición corporal junto con la actividad y la dieta
• Cambios en los valores de laboratorio en relación con la medicación y el estilo de vida

Este enfoque convierte un LLM, de generador de recomendaciones genéricas, en una interfaz a la cronología médica personal. El artículo cita como ejemplo una respuesta que no se limita a un «duerme más», sino que señala una relación concreta: los días con falta de sueño, el pulso en reposo del día siguiente es sistemáticamente más alto. No es magia ni un diagnóstico, sino una forma cómoda de obtener rápidamente una hipótesis a partir de los propios datos.

«No sustituye al médico; es una herramienta que ayuda a hacer las

preguntas correctas».

Qué significa

El caso ilustra bien hacia dónde avanzan las herramientas de IA de consumo: del chat universal a capas analíticas personales construidas sobre servicios dispersos. Si el usuario dispone de datos de calidad y de un esquema de acceso claro, el modelo puede convertirse en un asistente útil para el autoanálisis y para preparar la visita al médico. Pero también aumenta el coste de los errores, los riesgos para la privacidad y las interpretaciones equivocadas, así que lo lógico es tratar estos sistemas como una segunda opinión y no como un dictamen médico.