Esta publicación está coescrita con Sunaina Kavi, gerente de productos de IA/ML en Omada Health.
Omada Health, un innovador desde hace mucho tiempo en la prestación de atención médica virtual, lanzó una nueva experiencia de nutrición en 2025, con OmadaSpark, un agente de inteligencia artificial capacitado con sólidos aportes clínicos que ofrece entrevistas motivacionales y educación nutricional en tiempo real. Fue construido en AWS. OmadaSpark fue diseñado para ayudar a los miembros a identificar sus propios desafíos motivacionales, como comer emocionalmente, mejorar las decisiones alimentarias, establecer metas y mantener un cambio de comportamiento duradero. La siguiente captura de pantalla muestra un ejemplo de la función Educación nutricional de OmadaSpark, que demuestra cómo los miembros reciben educación nutricional personalizada en tiempo real.
En esta publicación, examinamos cómo Omada se asoció con AWS y Meta para desarrollar esta solución de IA alineada con la atención médica utilizando modelos Llama en Amazon SageMaker AI. Exploramos la implementación técnica, la arquitectura y el proceso de evaluación que ayudaron a Omada a escalar la orientación nutricional personalizada mientras manteníamos su compromiso con la atención basada en evidencia.
La oportunidad de obtener orientación nutricional basada en IA
La educación nutricional es la piedra angular de los programas de manejo de enfermedades crónicas de Omada. Aunque los asesores de salud se destacan por brindar atención personalizada, la creciente demanda de información nutricional rápida y conveniente presentó una oportunidad para mejorar el impacto de nuestros asesores a través de la tecnología. Omada buscó una solución innovadora que complementara la experiencia de sus entrenadores al manejar tareas analíticas de rutina, para que pudieran centrarse más profundamente en las interacciones significativas de los miembros. El objetivo era brindar educación nutricional inmediata y de alta calidad y al mismo tiempo mantener un estricto cumplimiento de los protocolos de atención de Omada y los toques personales que hacen que su programa sea efectivo.
OmadaSpark de Omada Health tiene como objetivo ayudar a los miembros a identificar barreras emocionales y prácticas del mundo real para una alimentación saludable en el entorno actual, donde prevalecen los alimentos ultraprocesados y las dietas pueden no ofrecer resultados a largo plazo. OmadaSpark presenta entrevistas motivacionales que utilizan preguntas para ayudar a los miembros a identificar sus propios objetivos, reforzar la autonomía y encontrar motivación para cambiar hábitos. La función de Educación Nutricional de OmadaSpark puede reducir la carga mental de las decisiones alimentarias en tiempo real y alentar a los miembros a incorporar gradualmente alternativas alimentarias más saludables. La experiencia en nutrición de Omada ofrece capacidades de seguimiento actualizadas, como seguimiento del agua, escaneo de códigos de barras y tecnología de reconocimiento de fotografías que ofrecen un soporte flexible y no restrictivo diseñado para promover una relación saludable con los alimentos.
"Consideramos la IA como una fuerza multiplicadora para nuestros asesores de salud, no como un reemplazo", explica Terry Miller, vicepresidente de aprendizaje automático, IA y estrategia de datos de Omada. "Nuestra colaboración con AWS y Meta nos permitió implementar una solución de inteligencia artificial que se alinea con nuestros valores de atención personalizada y basada en evidencia".
Descripción general de la solución
Omada Health desarrolló la función de Educación nutricional utilizando un modelo Llama 3.1 ajustado en SageMaker AI. La implementación incluyó el modelo Llama 3.1 8B ajustado utilizando técnicas de Adaptación Cuantizada de Bajo Rango (QLoRA), un método de ajuste que permite que los modelos de lenguaje aprendan de manera eficiente en conjuntos de datos más pequeños. La capacitación inicial utilizó 1000 pares de preguntas y respuestas creados a partir de los protocolos de atención interna de Omada y literatura revisada por pares y pautas de sociedades especializadas para brindar educación nutricional basada en evidencia.
El siguiente diagrama ilustra la arquitectura de alto nivel de la implementación Llama de Omada Health en AWS.
El flujo de trabajo de la solución consta de los siguientes pasos de alto nivel:
Los pares de preguntas y respuestas para conjuntos de datos de educación nutricional se cargan en Amazon Simple Storage Service (Amazon S3) para la capacitación del modelo. Amazon SageMaker Studio se utiliza para iniciar un trabajo de capacitación utilizando estimadores Hugging Face para ajustar el modelo Llama 3.1 8B. Las técnicas QLoRA se utilizan para entrenar el modelo y los artefactos del modelo guardados en Amazon S3. El flujo de trabajo de inferencia se invoca a través de una pregunta del usuario a través de un cliente móvil para la función de educación nutricional de OmadaSpark. Se invoca una solicitud para obtener datos personales de los miembros según el perfil del usuario y el historial de conversaciones, de modo que la información de respuesta sea personalizada. Por ejemplo, una receta de rosbif no se entregará a un vegetariano. Al mismo tiempo, esta función no proporciona información médica relacionada con la situación médica de una persona en particular, como su última prueba de glucosa en sangre. El punto final de SageMaker AI se invoca para generar nutrición en función de la consulta del miembro y las conversaciones históricas como contexto. El modelo genera educación nutricional personalizada, que se envía al cliente móvil, proporcionando educación basada en evidencia para las personas en los programas cardiometabólicos de Omada. Para la evaluación del desempeño del modelo, se utiliza LangSmith, un servicio de observabilidad y evaluación donde los equipos pueden monitorear el desempeño de la aplicación de IA, para capturar la calidad de la inferencia y el análisis de la conversación para la mejora continua del modelo. Los dietistas registrados llevan a cabo procesos de revisión humana, verificando la precisión clínica y la seguridad de la educación nutricional brindada a los usuarios. Las respuestas con votos a favor y en contra se ven en las colas de anotaciones de LangSmith para determinar futuros ajustes y actualizaciones de avisos del sistema.
El siguiente diagrama ilustra la secuencia del flujo de trabajo con más detalle.
Colaboración y ajuste de datos
Un aspecto fundamental del éxito de Omada Health con la implementación de la IA fue la estrecha colaboración entre su equipo clínico y el equipo de desarrollo de la IA. Omada AI/ML Product Manager, Sunaina Kavi, figura clave en esta colaboración, destaca la importancia de esta sinergia:
"Nuestro trabajo con el equipo clínico fue fundamental para generar confianza y garantizar que el modelo estuviera optimizado para satisfacer las necesidades de atención médica del mundo real", dice Kavi. “Al trabajar estrechamente en la selección y evaluación de datos, nos aseguramos de que OmadaSpark Nutritional Education no solo brindara nutrición precisa y personalizada, sino que también mantuviera altos estándares de atención al paciente.
"La asociación entre AWS y Meta nos brindó acceso a modelos básicos de última generación y, al mismo tiempo, mantuvimos el control autohospedado que necesitamos en la atención médica, por motivos de privacidad, seguridad y calidad. Las capacidades de ajuste de SageMaker AI nos permitieron adaptar Llama a nuestro caso de uso de nutrición específico y al mismo tiempo preservar nuestra soberanía de datos".
La protección de los datos de los pacientes siguió siendo primordial durante todo el desarrollo. El entrenamiento y la inferencia de modelos se produjeron dentro de entornos AWS compatibles con HIPAA (AWS es el socio comercial de HIPAA de Omada), y los pesos de modelo ajustados permanecieron bajo el control de Omada a través de capacidades de soberanía de modelo en SageMaker AI. La infraestructura de seguridad de AWS proporcionó la base para la implementación y ayudó a mantener la protección de los datos de los pacientes durante todo el ciclo de vida del desarrollo de la IA. Los modelos Llama ofrecían la flexibilidad necesaria para la personalización específica de la atención sanitaria sin comprometer el rendimiento. Omada centró su implementación técnica en SageMaker AI para el entrenamiento, ajuste e implementación de modelos.
Finalmente, Omada implementó rigurosos protocolos de prueba, incluida la revisión humana periódica de los resultados del modelo por parte de personas calificadas. Omada lanzó todo el flujo de trabajo con el modelo en 4,5 meses. A lo largo de este proceso, monitorearon continuamente la precisión de la respuesta y la satisfacción de los miembros, con ajustes iterativos basados en comentarios del mundo real.
Impacto empresarial
La introducción de OmadaSpark impulsó significativamente la participación de los miembros que utilizaron la herramienta. Los miembros que interactuaron con el asistente de nutrición tenían tres veces más probabilidades de regresar a la aplicación Omada en general en comparación con aquellos que no interactuaron con la herramienta. Al brindar acceso las 24 horas del día a educación nutricional personalizada, Omada redujo drásticamente el tiempo que llevaba responder las preguntas sobre nutrición de los miembros de días a segundos.
Tras su exitoso lanzamiento, Omada está profundizando su asociación con AWS y Meta para expandir las capacidades de IA, incluido el ajuste de modelos, la optimización de ventanas de contexto y la adición de memoria. Están desarrollando un canal de capacitación continua que incorpora preguntas reales de los miembros y mejora las funciones de IA con dominios de salud adicionales más allá de la nutrición.
"Nuestra colaboración con AWS y Meta ha demostrado el valor de las asociaciones estratégicas en la innovación sanitaria", comparte Miller. "Al mirar hacia el futuro, estamos entusiasmados de aprovechar esta base para desarrollar formas aún más innovadoras de apoyar a nuestros miembros".
Conclusión
La implementación de Omada Health demuestra cómo las organizaciones de atención médica pueden adoptar eficazmente la IA y al mismo tiempo abordar los requisitos específicos de la industria y las necesidades de los miembros. Al utilizar modelos Llama en SageMaker AI, Omada amplifica la humanidad de los asesores de salud y enriquece aún más la experiencia de los miembros. La colaboración de Omada, AWS y Meta muestra cómo las organizaciones de industrias altamente reguladas pueden crear rápidamente aplicaciones de IA mediante el uso de modelos básicos innovadores en AWS, el proveedor confiable de nube para el cuidado de la salud. Al combinar la experiencia clínica con modelos avanzados de IA e infraestructura segura, han creado una solución que puede transformar la prestación de atención a escala manteniendo al mismo tiempo el enfoque personalizado y dirigido por humanos que hace que Omada sea eficaz.
"Este proyecto demuestra que la adopción responsable de la IA en la atención sanitaria no sólo es posible: es esencial para llegar a más pacientes con una atención de alta calidad", concluye Miller.
Omada sigue comprometida con el crecimiento de sus equipos de atención humana con la eficiencia de la tecnología basada en IA. De cara al futuro, el equipo se dedica a crear nuevas innovaciones que fomenten una sensación de apoyo, confianza y autonomía en tiempo real entre los miembros.
Para obtener más información, consulte los siguientes recursos:
Sobre los autores
Sunaina Kavi es gerente de productos de IA/ML en Omada, dedicada a aprovechar la inteligencia artificial para cambiar comportamientos y mejorar los resultados en diabetes, hipertensión y control de peso. Obtuvo una Licenciatura en Ingeniería Biomédica y un MBA de la Escuela de Negocios Ross de la Universidad de Michigan, con especialización en Emprendimiento y Finanzas. Antes de hacer la transición a Omada, adquirió experiencia como banquera de inversiones en tecnología, medios y telecomunicaciones en San Francisco. Más tarde se unió a Rivian, centrándose en soluciones de carga dentro de su grupo de información y entretenimiento, y fundó su propia startup destinada a utilizar la IA para gestionar los brotes autoinmunes. Sunaina también participa activamente en el grupo Generative AI en San Francisco, trabajando para mejorar la seguridad y las evaluaciones sistemáticas dentro de la comunidad de atención médica.
Breanne Warner es arquitecta de soluciones empresariales en Amazon Web Services y brinda soporte a clientes de atención médica y ciencias biológicas (HCLS). Le apasiona ayudar a los clientes a utilizar la IA generativa en AWS y evangelizar la adopción de modelos propios y de terceros. Breanne también es vicepresidenta de Mujeres en Amazon con el objetivo de fomentar una cultura inclusiva y diversa en Amazon. Breanne tiene una Licenciatura en Ingeniería Informática de la Universidad de Illinois Urbana-Champaign.
Baladithya Balamurugan es arquitecto de soluciones en AWS y se centra en implementaciones de aprendizaje automático para inferencia y en el uso de AWS Neuron para acelerar el entrenamiento y la inferencia. Trabaja con clientes para habilitar y acelerar sus implementaciones de aprendizaje automático en servicios como Amazon SageMaker y Amazon EC2. Baladithya, que reside en San Francisco, disfruta de hacer retoques, desarrollar aplicaciones y su laboratorio doméstico en su tiempo libre.
Amin Dashti, PhD, es científico de datos senior en AWS y se especializa en personalización y capacitación de modelos utilizando Amazon SageMaker. Con un doctorado en Física, aporta un profundo rigor científico a su trabajo en aprendizaje automático e IA aplicada. Su experiencia multidisciplinaria, que abarca el mundo académico, las finanzas y la tecnología, le permite abordar desafíos complejos desde perspectivas tanto teóricas como prácticas. Amin reside en el área de la Bahía de San Francisco y disfruta pasar su tiempo libre con su familia explorando parques, playas y senderos locales.
Marco Punio es un arquitecto senior especializado en soluciones centrado en cargas de trabajo de IA aceleradas por GPU, capacitación de modelos a gran escala y soluciones de IA aplicadas en AWS. Como miembro del equipo de Gen AI Applied Sciences SA en AWS, se especializa en computación de alto rendimiento para IA, optimizando clústeres de GPU para el entrenamiento e inferencia de modelos básicos, y se desempeña como líder global de la estrategia técnica y la asociación Meta-AWS. Marco, que reside en Seattle, Washington, disfruta escribir, leer, hacer ejercicio y crear aplicaciones de inteligencia artificial optimizadas para GPU en su tiempo libre.
Evan Grenda Sr. Especialista en GenAI en AWS, donde trabaja con proveedores de marcos de agentes y modelos básicos de terceros de primer nivel para desarrollar y ejecutar estrategias conjuntas de comercialización, lo que permite a los clientes implementar y escalar de manera efectiva soluciones para resolver los desafíos de IA de las empresas. Evan tiene una licenciatura en Administración de Empresas de la Universidad de Carolina del Sur, una maestría en administración de empresas de la Universidad de Auburn y una maestría en ciencia de datos de la Universidad de St. Joseph.