Transcribir sesiones de terapia sin grabar al paciente

Hay dos maneras clásicas de terminar una sesión. Una es quedarte cinco o diez minutos escribiendo la nota mientras aún la tienes fresca. La otra es apuntar cuatro palabras en un papel y prometerte que por la noche la pasarás a limpio, algo que muchas veces acaba ocurriendo el domingo, o nunca.

Las herramientas de IA que graban la sesión entera y redactan la nota solas prometen acabar con ese dilema. En otro artículo explicamos cómo funcionan los AI scribes y qué riesgos tienen. Este va de lo contrario: de las formas de pasar la sesión a texto sin grabar al paciente, que hoy son más de las que parece y bastante más maduras que hace dos años.

La pregunta útil no es qué herramienta transcribe mejor, sino qué sale de tu dispositivo cuando la usas: tu voz, el trazo de tu lápiz, una foto de la hoja o nada en absoluto.

Por qué no grabar la sesión es una buena decisión por defecto

Grabar una sesión de terapia no está prohibido, pero es la opción que más obligaciones te echa encima. La grabación contiene datos de salud, que el artículo 9 del RGPD considera categoría especial, y además contiene la voz del paciente, que es un dato personal siempre que permita identificarlo. Necesitas una base jurídica clara, informar al paciente, decidir cuánto tiempo guardas el audio, dónde, y quién lo borra.

Hay un principio del propio RGPD que inclina la balanza: la minimización de datos del artículo 5.1.c. Los datos deben ser «adecuados, pertinentes y limitados a lo necesario». Para escribir una nota clínica no necesitas cincuenta minutos de audio: necesitas lo que tú, como profesional, consideras relevante de esos cincuenta minutos. Y eso ya lo sabes al terminar la sesión.

Tampoco es solo una cuestión legal. Hay pacientes que hablan distinto cuando saben que hay un micrófono encendido, y el vínculo terapéutico no es un detalle técnico. Por eso las alternativas de abajo tienen un punto en común: el texto sale de lo que produces tú, no de la voz de la persona que tienes delante.

Las cinco formas, de un vistazo

Fuente: elaboración propia a partir de la documentación de cada tecnología citada en las secciones siguientes.

Hay una sexta que no aparece porque no transcribe nada, pero resuelve mucho: volcar un documento que ya tenías (un Word o un texto plano) directamente en la nota. Si llevas años escribiendo las notas en un procesador de textos, no hace falta transcribirlas: basta con abrirlas.

Dictar la nota al terminar: el cambio más rentable

El dictado es, con diferencia, el método que más tiempo ahorra. Un estudio de la Universidad de Stanford midió que dictar en el móvil es unas tres veces más rápido que teclear, y un resumen dictado de dos minutos contiene lo que te costaría diez escribir. La diferencia con grabar la sesión es de fondo: dictas tú, después, lo que tú decides. No hay voz del paciente, no hay terceros en la sala y no hay nada que el paciente dijera y tú no quieras dejar por escrito.

La pregunta importante aquí es otra: ¿dónde se convierte tu voz en texto?

Dictado en la nube

Es lo más habitual. Cuando usas el micrófono del teclado del móvil o una web que ofrece dictado, lo normal es que el audio se envíe a un servidor que lo transcribe y devuelve el texto. La propia especificación de la Web Speech API, que es la que usan los navegadores para dictar, reconoce que esta función «se ha apoyado tradicionalmente en enviar el audio a servicios en la nube». Solo se procesa en el dispositivo si la aplicación lo pide de forma expresa y el navegador lo admite.

Funciona bien y es rápido. El problema es que tu resumen de la sesión, con el nombre del paciente si lo dices en voz alta, sus síntomas y tu impresión clínica, viaja a una empresa que no es tu proveedor de software y con la que probablemente no tienes contrato. Y el audio no se puede anonimizar antes de enviarlo: a diferencia de un texto, no puedes sustituir un nombre dentro de una grabación antes de que salga.

Dictado en el dispositivo

Desde 2022 existe una alternativa seria. OpenAI publicó Whisper, un modelo de reconocimiento de voz entrenado con 680.000 horas de audio en varios idiomas, y lo liberó como código abierto. Eso permitió que bibliotecas como Transformers.js lo ejecuten dentro del navegador, sin servidor. El audio se graba, se transcribe y se descarta en tu propio ordenador. Lo único que viaja por la red es la descarga del modelo, una sola vez.

Tiene costes que conviene conocer antes:

1. La primera vez hay que descargar el modelo. Un modelo de tamaño medio pesa unos 80 MB. Después queda guardado en el navegador y funciona incluso sin conexión.
2. Es más lento que la nube. Tu ordenador hace el trabajo que haría un servidor con tarjetas gráficas. Un resumen de dos minutos tarda unos segundos en un portátil actual y algo más en uno antiguo.
3. Se equivoca más con los nombres propios y los términos técnicos. Los modelos pequeños que caben en un navegador son menos precisos que los grandes de la nube. Una escala o un fármaco pueden salir mal escritos.

Si el dictado es tan rápido en la nube, ¿por qué hacerlo en el dispositivo? Porque es el único método en el que puedes afirmar, sin letra pequeña, que tu voz no la ha oído nadie más.

Un consejo práctico para dictar mejor: estructura el resumen en voz alta igual que estructurarías la nota. «Motivo de hoy. Lo que se trabajó. Cómo sale. Tarea para la próxima». Los modelos transcriben mejor frases completas que palabras sueltas, y la nota queda ordenada sin tener que editarla después.

Escribir a mano en la tablet: para quien piensa con el lápiz

Hay profesionales que no dictan, ni quieren. Piensan escribiendo, subrayan, tachan, hacen flechas. Para ellas, la tablet con lápiz es el sustituto natural del cuaderno, y los sistemas operativos llevan años resolviendo bien el paso del trazo al texto.

En iPad, la función se llama Scribble y Apple afirma en su guía oficial que la conversión de la escritura a texto se realiza en el propio iPad. Reconoce español desde hace varias versiones. En Android, el reconocimiento depende del teclado y del fabricante: las tablets con lápiz integrado suelen traer el suyo, y conviene revisar en su configuración si procesa en el dispositivo o en la nube.

Para que esto funcione dentro de un software clínico, la herramienta tiene que hacer algo muy concreto: dejar que el sistema de la tablet haga el reconocimiento y quedarse solo con el texto resultante. Si la aplicación manda el dibujo de tu trazo a su servidor para reconocerlo, ha convertido una función privada en una que no lo es. Merece la pena preguntarlo.

La limitación honesta es de ergonomía. Un navegador web no controla la tablet como una aplicación nativa, y cosas como el rechazo de la palma de la mano funcionan peor. Si apoyas la mano mientras escribes, prueba antes con una nota de prueba.

Pasar a texto tus hojas de papel

Este es el caso que más se repite en consultas con años de trabajo: cajas de historias escritas a mano que nadie va a volver a teclear. Tenerlas en papel significa que no puedes buscar en ellas, que no te acompañan fuera de la consulta y que, si usas una IA clínica, esa historia no existe para ella.

Aquí conviene separar dos tecnologías que suelen venderse igual.

El reconocimiento clásico (OCR) no lee tu letra

Los reconocedores de texto tradicionales, como Tesseract o los que traen los propios móviles, funcionan muy bien con texto impreso: facturas, informes a máquina, documentos escaneados. Con letra manuscrita real el resultado cae en picado. Lo comprobamos nosotros con hojas de consulta auténticas: el reconocedor nativo de una tablet Android leía perfectamente un texto impreso y apenas una palabra suelta de la caligrafía de una psicóloga. Tesseract, igual o peor.

Los modelos de visión sí la leen, pero la hoja sale

Los modelos de lenguaje con visión, los mismos que usan los asistentes de IA, leen letra manuscrita con una precisión que hace pocos años era impensable. En nuestras pruebas con hojas reales acertaron la gran mayoría de palabras en hojas legibles. Pero el precio es claro: la imagen completa de la hoja sale de tu dispositivo hacia el proveedor del modelo.

Y hay dos cosas que ningún aviso comercial debería disimular:

1. La foto no se puede seudonimizar. En un texto puedes sustituir el nombre del paciente antes de enviarlo a una IA. En una fotografía, el nombre puede estar en la cabecera, en un margen o en mitad de un párrafo, y no hay forma fiable de retirarlo antes. La hoja viaja con todo lo que contiene.
2. El proveedor puede conservarla un tiempo. OpenAI, por ejemplo, documenta en su guía de controles de datos que conserva por defecto hasta 30 días los registros de control de abuso de su API, que pueden incluir el contenido enviado, y que no usa los datos de la API para entrenar sus modelos salvo que el cliente lo elija.

Por eso esta es una función que debería activarse sabiéndolo, no descubrirse en un contrato. Si tu proveedor te la ofrece, lo mínimo es que te explique en qué país se procesa la imagen, si hay contrato de encargado del tratamiento con ese tercero y cuánto tiempo se guarda.

Cuidado especial con los números

Hay un error que no se ve a simple vista. Los modelos de visión «normalizan» lo que leen: si en tu hoja pone una cifra ambigua, el modelo tiende a escribir la que le parece más probable, no la que pone. En nuestras pruebas, una dosis escrita con una letra ambigua salió corregida a un número limpio aunque se le pidió expresamente que no corrigiera nada, y sin avisar del cambio.

En una transcripción, el error peligroso no es la palabra rara que salta a la vista. Es la dosis o la fecha que parece correcta y no lo es.

Si pasas hojas a texto, compara siempre las cifras, las fechas y los nombres de fármacos con la foto antes de guardar. El resto de errores se corrigen con una lectura rápida; esos no.

Qué no se sabe (todavía)

Conviene decir también lo que no sabemos, porque en este tema abundan las cifras de marketing.

• No hay estudios independientes publicados sobre la precisión de estos métodos en notas clínicas en español. Las tasas de error que publican los fabricantes se miden con conjuntos de audio o de imágenes estándar, no con el vocabulario de una consulta de psicología ni con la letra de una profesional con prisa.
• La precisión con tu letra solo la sabes probándola. Dos hojas de la misma persona pueden dar resultados muy distintos según la luz, el papel y la prisa con la que se escribieron. Antes de decidir si merece la pena digitalizar años de historias, haz la prueba con veinte hojas reales.
• No sabemos cuánto tiempo ahorra cada método a cada profesional. Depende de cómo trabajes. Quien ya teclea rápido ganará poco con el lápiz; quien odia escribir ganará mucho con el dictado.

La revisión humana no es opcional

Da igual el método: lo que entra en la historia clínica tiene que ser tu redacción, revisada. La Ley 41/2002 de autonomía del paciente define la historia clínica como el conjunto de documentos con la información sobre la situación y la evolución clínica del paciente, y obliga a conservarla de forma que se garantice su correcto mantenimiento. Una transcripción automática sin revisar no es una evolución clínica: es un borrador.

El Código Deontológico del Psicólogo pone además el acento en el secreto profesional sobre toda la información que se recoge en el ejercicio de la profesión. Eso incluye la elección de herramientas: si una transcripción pasa por un tercero, esa decisión es tuya y conviene que puedas explicarla.

En la práctica, la revisión funciona mejor si la herramienta:

• deja el texto en el campo de la nota para editarlo antes de guardar, no lo guarda directamente;
• te enseña el original (la foto, en el caso de las hojas) al lado del texto;
• te avisa cuando hay cifras que conviene comprobar.

Cómo elegir según tu forma de trabajar

No hay un método mejor que los demás. Hay uno que encaja con cómo trabajas:

• Si terminas las sesiones con la cabeza llena y poco tiempo: dictado al terminar, en el dispositivo. Dos minutos de resumen hablado y la nota está hecha antes de que entre el siguiente paciente.
• Si piensas mejor escribiendo: tablet con lápiz y reconocimiento del sistema. Mantienes el gesto del cuaderno y el texto queda buscable.
• Si tienes años de historias en papel: foto de las hojas con un modelo de visión, sabiendo que la imagen sale, y revisando las cifras. Empieza por los pacientes activos, no por el archivo entero.
• Si ya lo tienes en Word: no transcribas. Vuelca el documento.
• Si prefieres teclear: un buen corrector que respete la terminología clínica te ahorra más que cualquier IA.

Y un criterio transversal: lo que se transcribe tiene que cifrarse al guardarse. De poco sirve que tu voz no salga del ordenador si el texto resultante llega al servidor legible para cualquiera con acceso a la base de datos. Lo explicamos en detalle en por qué HTTPS no basta.

Cómo lo hacemos en Onera

En Onera, la nota de sesión tiene cuatro botones junto al título, uno por cada método, y los cuatro dejan el texto en el mismo campo para que lo revises antes de guardar:

• Dictado: Whisper corre dentro de tu navegador. El audio no sale del dispositivo.
• Modo cuaderno: la nota se convierte en una hoja pautada para el lápiz, y es tu tablet la que reconoce la escritura. Onera solo recibe el texto.
• Transcribir una hoja: la única que sale. La foto va a nuestro proveedor de IA para leerla, sin seudonimizar porque no es posible, y la función pide que lo aceptes expresamente la primera vez. Cuando la hoja tiene cifras, te avisa para que las compares con la foto.
• Volcar un documento: un .docx o un .txt se abre en tu navegador y su texto pasa a la nota.

Después, la nota se cifra en tu navegador antes de guardarse, con una clave que nosotros no tenemos. Lo contamos con más detalle, y con las cuatro herramientas en movimiento, en la página de transcripción de sesiones.

Conclusión

Transcribir una sesión ya no obliga a elegir entre grabar al paciente o quedarte media hora tecleando. El dictado en el dispositivo, la escritura a mano reconocida por la tablet y la lectura de hojas con modelos de visión cubren casi todas las formas de trabajar, y las dos primeras lo hacen sin que nada salga de tu ordenador.

La diferencia entre una herramienta y otra no está en lo bien que transcribe, que cambia cada pocos meses. Está en lo que sale de tu dispositivo, en si te lo dicen con claridad y en si el texto final se guarda de forma que solo tú puedas leerlo.

Preguntas frecuentes

¿Se puede transcribir una sesión de terapia sin grabarla?

Sí. La alternativa a grabar la sesión es dictar tú, al terminar, un resumen de dos o tres minutos, escribir a mano en una tablet con lápiz o fotografiar las notas que tomaste en papel. En los tres casos el texto sale de lo que tú produces, no de la voz del paciente, así que no existe una grabación de la sesión que haya que custodiar, justificar y borrar.

¿El dictado por voz manda mi audio a internet?

Depende de la herramienta. El reconocimiento de voz estándar de los navegadores, según la propia especificación de la Web Speech API, se ha apoyado tradicionalmente en servicios en la nube, y solo se ejecuta en el dispositivo si la aplicación lo pide de forma expresa. Hay modelos, como Whisper, que pueden correr enteros dentro del navegador: el audio no sale del ordenador. Pregunta siempre a tu proveedor dónde se procesa la voz.

¿Qué pasa con mis notas antiguas escritas a mano en papel?

Se pueden pasar a texto fotografiándolas, pero con un matiz importante: los reconocedores de texto que funcionan en el propio dispositivo leen bien lo impreso y muy mal la letra manuscrita. Para leer una caligrafía real hace falta un modelo de visión en la nube, lo que significa que la imagen completa de la hoja sale de tu dispositivo. Es una decisión que debe tomarse sabiéndolo y revisando siempre el texto, sobre todo las cifras.

¿Es fiable una transcripción automática para la historia clínica?

Como borrador, sí; como documento final, no sin revisarlo. Todos los métodos cometen errores, y los más peligrosos son los que no parecen errores: una dosis, una fecha o un nombre propio mal leídos. Lo que queda en la historia clínica debe ser tu redacción revisada, porque la responsabilidad sobre su contenido sigue siendo del profesional.

¿Qué método de transcripción protege más la privacidad del paciente?

El que no saca nada de tu dispositivo: el dictado procesado en el navegador, la escritura a mano reconocida por la propia tablet y el texto que tecleas. Después, que ese texto se cifre en tu dispositivo antes de guardarse. La foto enviada a un modelo de visión es la opción con más exposición, porque la hoja viaja completa y no se puede seudonimizar antes.