Claude fue convertido en un analista médico personal con acceso al sueño y a análisis

Claude puede transformarse de un simple chatbot en un analista de salud personal conectando datos biométricos, nutrición, peso y documentos médicos. El autor del experimento armó un sistema basado en Claude Integrations y demostró cómo el modelo comienza a ver conexiones entre sueño, frecuencia cardíaca, dieta y resultados de análisis de sangre casi en tiempo real.

Cómo está estructurado el sistema

En el centro del sistema está Claude, que recibe datos no de una sola aplicación, sino de múltiples fuentes simultáneamente. Para sueño, frecuencia cardíaca en reposo, VFC y actividad, se utiliza un Oura Ring. La nutrición proviene del bot de Telegram FoodTrack, donde puedes simplemente enviar una foto de la comida y obtener sus macronutrientes.

El peso y la composición corporal se extraen de las básculas Xiaomi a través de una cadena de Zepp Life, Apple Health y Health2Notion. Notion actúa como una capa separada: los resultados de laboratorio, consultas médicas, medicamentos y registros históricos se almacenan allí. Como resultado, el modelo no solo tiene un conjunto disperso de notas, sino un mapa digital unificado del estado de la persona.

Claude puede combinar señales "brutas" de dispositivos portátiles con eventos médicos más raros pero importantes: resultados de laboratorio, cambios de peso, prescripciones de medicamentos y anotaciones manuales. Es en este nivel donde surge el valor principal: la IA comienza a buscar no solo respuestas a preguntas individuales, sino también correlaciones entre múltiples flujos de datos que serían difíciles de notar manualmente, incluso con un registro cuidadoso.

Cómo se conectó

Parte del sistema se monta usando herramientas estándar. Notion ya está entre los conectores estándar de Claude, por lo que es suficiente otorgar acceso a las páginas necesarias con datos médicos. Sin embargo, para Oura, fue necesario pasar por un proyecto de código abierto de GitHub: el autor lo implementó en su propio servidor y lo agregó a Claude como un conector personalizado.

FoodTrack se conecta usando la misma lógica — el bot devuelve una dirección MCP única que Claude luego usa como otra fuente de datos. El autor enfatiza por separado el papel del símbolo del sistema en Custom Instructions. En él, describió brevemente qué conector es responsable de qué: Oura es necesario para métricas en tiempo real, Notion — para historial y documentos, FoodTrack — para nutrición.

Después de esto, Claude deja de adivinar dónde encontrar la respuesta e inmediatamente accede a la fuente necesaria. Tal capa de instrucciones parece un detalle menor, pero en la práctica mejora significativamente la calidad del análisis y reduce aclaraciones innecesarias.

Qué conclusiones proporciona

El aspecto más interesante de este sistema no es la conexión en sí, sino el tipo de preguntas que permite hacer. El autor no le pide al modelo consejos abstractos como "cómo volverse más saludable", sino que lo utiliza como un analista sobre su propio conjunto de datos. Por ejemplo, Claude puede verificar si la frecuencia cardíaca en reposo aumenta después del sueño corto, si las calorías y proteínas son suficientes para la carga de entrenamiento actual, o cómo cambiaron los biomarcadores en las pruebas frente a medicamentos, estrés y estilo de vida.

• Conexión entre duración del sueño y frecuencia cardíaca en reposo al día siguiente
• Adecuación de la nutrición para el volumen de entrenamiento y la recuperación
• Dinámicas del peso y la composición corporal junto con la actividad y la dieta
• Cambios en los marcadores de laboratorio frente a medicamentos y estilo de vida

Tal enfoque transforma un LLM de un generador de recomendaciones generales en una interfaz al historial médico personal. El artículo proporciona un ejemplo de respuesta no en el espíritu de "duerme más", sino con una relación concreta: en días con sueño insuficiente, la frecuencia cardíaca en reposo al día siguiente es consistentemente más alta. Esto ya no es magia o diagnóstico, sino una manera conveniente de obtener rápidamente una hipótesis a partir de sus propios datos.

"Esto no es un reemplazo para un médico, sino una herramienta que

ayuda a hacer las preguntas correctas."

Lo que esto significa

Esta historia ilustra bien hacia dónde se están moviendo las herramientas de IA para consumidores: de chat universal a capas analíticas personales en la parte superior de servicios fragmentados. Si un usuario tiene datos de calidad y un esquema de acceso claro, el modelo puede convertirse en un asistente útil en el autoanálisis y la preparación para una visita al médico. Sin embargo, con esto viene un aumento en el costo de errores, privacidad e interpretaciones erróneas, por lo que tiene sentido ver estos sistemas como una segunda opinión en lugar de una conclusión médica.