Este estudio metodológico describe Hipócrates, una metodología de AutoML gobernado para construir modelos de tamizaje a partir de datos tabulares de historias clínicas electrónicas en sistemas de salud de Colombia y América Latina. Organiza el desarrollo en 13 fases, desde la ingesta de datos y los controles obligatorios de fuga de información hasta la calibración isotónica, la selección de umbrales, el análisis por subgrupos y la documentación conforme a TRIPOD+AI. Ningún modelo puede desplegarse sin superar un umbral de pendiente de calibración de 0.85–1.15; 18 puntos de pausa detienen la automatización en decisiones como la definición del desenlace o el alcance del despliegue, y cada decisión queda en un registro de auditoría de solo anexado. La metodología se ejecuta como archivos de habilidades reutilizables por un agente de modelo de lenguaje y se probó con seis conjuntos sintéticos de casos límite.
En cinco sesiones reales de tamizaje de ERC, tamizaje de EPOC y retención de personal, produjo modelos calibrados con trazas de gobernanza completas. En una evaluación retrospectiva en cuatro instituciones (más de 53 000 pacientes), el nuevo modelo de ERC superó de forma consistente a un modelo desplegado previamente con discriminación cercana al azar (AUROC de alrededor de 0.58) y una pendiente de calibración de 0.04; en cinco semillas aleatorias alcanzó un AUROC de 0.7479 ± 0.0013, y la variabilidad entre operadores (cerca de 0.029 de AUROC) fue la principal fuente de variación. También corrigió la descalibración en el tamizaje de EPOC y detectó fuga temporal en la sesión de retención de personal. El trabajo es un preprint aún no revisado por pares, y los autores señalan que se necesitan estudios prospectivos sobre reproducibilidad y utilidad clínica.
