Cómo aprende Longev AI: reglas, datos y pronósticos verificados
El núcleo de Longev AI se basa en reglas clínicas explicables sobre la base personal del huésped, recopila pares de «estímulo → respuesta» y mide abiertamente el margen de error de sus pronósticos.
Para quién es esta página. Para auditorías técnicas, médicos e inversores; para cualquiera que pregunte: «¿se trata de aprendizaje automático o de reglas fijas?». La respuesta es transparente y verificable en el propio portal.
La base son las reglas, por convicción. Cada recomendación surge de un umbral definido y se explica en una sola frase; los procedimientos de pago solo los modifica el médico. En un entorno médico nadie firma una caja negra.
Personalización mediante la base propia. Los avisos no se calculan según una «norma poblacional», sino a partir del promedio del huésped durante su estancia: un pulso en reposo de 62 no dice nada si no se sabe que estuvo en 54 toda la semana.
Dos conjuntos de datos. El registro de decisiones: «valores del huésped → qué pautó el médico»; el registro de resultados: «procedimientos y carga de ayer → qué registró el reloj por la mañana». Ambos son anónimos por diseño y se pueden exportar en líneas JSONL.
Pronóstico bajo control. La plataforma predice el pulso en reposo, la variabilidad, el Body Battery y la puntuación de sueño para el día siguiente con tres modelos, y muestra el error medio de cada uno en una tabla real, no como una promesa.
Límites. Wellness & Lifestyle Intelligence es un soporte para el estilo de vida, no un producto sanitario; la última palabra siempre la tiene el médico. Actualizado el 25.08.2026.
Reglas en vez de una caja negra, y los motivos
Longev AI funciona como un motor determinista: una misma noche con los mismos umbrales produce exactamente la misma hoja de resultados. No es una limitación que la plataforma intente ocultar, sino una decisión técnica motivada por tres razones.
La primera es la firma del médico. La hoja matutina se firma y cada una de sus líneas debe responder al «porqué»: «pulso en reposo de 68 frente a su media de 61: sugerimos sustituir el procedimiento más exigente». El motor nunca emite una recomendación que no se pueda justificar con una cifra.
La segunda es el marco regulatorio. Un sistema que modifica prescripciones médicas de forma automática mediante un modelo opaco pasa a considerarse producto sanitario y entra en la categoría de alto riesgo del reglamento europeo de inteligencia artificial (EU AI Act). La plataforma se mantiene de forma deliberada como una herramienta de apoyo al estilo de vida: propone, explica y deja la decisión en manos del médico (marco normativo).
La tercera es el arranque en frío. Un modelo de aprendizaje automático sin datos funciona peor que un sistema de reglas: no tiene de dónde aprender en un hotel recién incorporado. Las reglas funcionan desde el primer huésped, y la plataforma comienza a reunir datos para los modelos desde la primera mañana, como explicamos a continuación.
Línea base personal en lugar de medias poblacionales
Casi todos los umbrales del motor comparan al huésped consigo mismo. La línea base es el promedio de su propia estancia: los días de llegada incompletos quedan fuera y, hasta que no se registran al menos dos días completos, no se activa ningún aviso basado en la media personal, ya que comparar con una sola noche sería como tirar una moneda al aire. El médico puede ampliar este margen de seguridad hasta 5 días.
La variabilidad de la frecuencia cardíaca (VFC: la irregularidad en los intervalos entre latidos) cuenta con una segunda referencia fiable: el rango habitual del huésped, que el algoritmo Firstbeat integrado en Garmin calcula a lo largo de unas tres semanas. Si el reloj, que conoce al huésped desde hace más tiempo que nuestra base de dos días, indica que está «por debajo del rango», el componente de disposición no puede marcarse en verde: el criterio del reloj prevalece sobre nuestro cálculo, siempre en sentido preventivo.
A partir de esos mismos datos se calcula la disposición del día: una puntuación de 0 a 100, similar al Readiness de Oura o al Recovery de WHOOP, pero basada en Garmin y en las reglas configuradas por el médico del hotel. El Body Battery aporta 30 puntos; la VFC y el sueño, 25 cada uno; y el pulso en reposo y la carga del día anterior, 10 cada uno. Si falta algún parámetro, no se rellena con una media genérica: simplemente se descarta, se reajustan las ponderaciones y, si los datos disponibles no cubren al menos la mitad del peso total, no se emite ninguna valoración.
Hoja matutina del médico: disposición de 49 sobre 100 con desglose detallado; cada línea muestra su valor, su línea base y su justificación×
Capas del motor
Capa
Qué hace
Dónde se explica
Entrada
25 métricas del reloj y la báscula Garmin, cuestionario inicial, prescripciones médicas y registro de comidas
El sistema de gestión hotelera (PMS) puede conectarse a la API de Garmin Health y recibir el pulso y el sueño. Lo que no tiene son los dos elementos que componen una muestra de entrenamiento: las prescripciones médicas y el registro de comidas. Por eso la plataforma recopila dos conjuntos de datos, y ambos solo existen donde la biometría, las prescripciones y la nutrición conviven en un mismo circuito.
Registro de decisiones — «valores del huésped → qué hizo el médico». Cada acción en el panel se guarda junto con una instantánea anónima del huésped en ese momento: edad, sexo, día de estancia, valores nocturnos, promedios propios e indicadores. Ya hoy funciona como sugerencia: el médico ve cómo actuó el centro ante valores similares.
Registro de resultados — «estímulo → respuesta». Cada mañana con mediciones, la propia plataforma registra un par: los procedimientos y la carga del día anterior (incluidas las cenas después de las 20:00 y los vasos de la cura de agua) junto a lo que el reloj registró por la mañana: pulso en reposo y VFC frente a la base personal, sueño, Body Battery, predisposición e indicadores.
Anonimato y eliminación. Las filas no contienen nombres ni fechas de nacimiento; retirar el consentimiento sobre los datos de salud elimina también los pares del huésped: el conjunto de datos se vuelve más honesto, no más pobre. La exportación se realiza en líneas JSONL desde el panel de administración.
Observación, no causalidad. A partir de los pares acumulados, el panel muestra promedios «con el factor / sin él»: procedimientos térmicos la víspera, un procedimiento exigente, carga un 50 % por encima de la base o cena tardía. La comparación solo se muestra a partir de 5 pares de cada lado y se cataloga como observación: una sola mañana tiene demasiadas causas como para atribuir una diferencia de promedios a una sola de ellas.
Prueba de pronóstico: margen de error en vez de promesas
Una auditoría tiene derecho a pedir en cifras la afirmación de que «la plataforma es cada vez más precisa». Para ello, el panel de administración incluye una comprobación de pronósticos: a partir de todo el historial acumulado, la plataforma predice retrospectivamente cada mañana (pulso en reposo, VFC, Body Battery y puntuación del sueño) y calcula el error absoluto medio (MAE), es decir, por cuántas unidades se desvía el pronóstico en promedio.
El cálculo se realiza mediante walk-forward («avanzando solo hacia adelante»): el pronóstico de una mañana se genera estrictamente a partir de los días previos, e incluso el coeficiente de carga se sigue entrenando únicamente con los pares que ya habían ocurrido hasta ese momento. Mirar hacia el futuro para ajustar la respuesta es imposible por diseño.
Modelo
Cómo predice
Por qué está en la tabla
«Como ayer»
mañana tendrá el mismo valor que hoy
el listón de referencia básico: un modelo que no lo supere no tiene derecho a llamarse modelo
«Base personal»
el promedio del huésped durante la estancia, el mismo que imprime la hoja matutina
muestra el valor que aporta la personalización por sí sola
«Base + carga»
la base personal ajustada según la sobrecarga de ayer; el coeficiente se activa tras acumular 8 pares
el primer elemento entrenable, con su contribución visible por separado
La tabla está pensada para mostrar realidades incómodas: con poco historial, el modelo básico «como ayer» suele superar a las correcciones, y ese es un resultado correcto, no un fallo. El listón para los futuros modelos queda fijado en esta misma tabla: un modelo se incorpora al producto cuando supera de forma consistente al básico con los datos reales del hotel, no cuando suena bien sobre el papel.
Hoja de ruta
Ahora. Reglas sobre la propia línea base del huésped; los registros de decisiones y resultados crecen solos; el error de pronóstico se mide con solo pulsar un botón.
Después. Modelos predictivos sobre el registro de resultados, una vez que haya suficientes pares para superar con solvencia el umbral básico de la tabla anterior. Hasta entonces, nada de términos «inteligentes» en el escaparate.
Siempre. Prescripción automática solo como borrador firmado por el médico: así funciona ya la nota matutina y así funcionará la sugerencia de prescripciones basada en el registro de decisiones.
Preguntas y respuestas
¿Esto es aprendizaje automático o reglas fijas? La base son reglas explicables sobre la línea base del propio huésped. Ya existen elementos entrenables —el coeficiente de carga en el pronóstico y la búsqueda de casos similares en el registro de decisiones—, y los modelos completos se incorporarán sobre el registro de resultados, con una calidad que ya se mide mediante la tabla de errores.
¿Por qué no una red neuronal? Porque la pauta la firma un médico y la explicabilidad es un requisito clínico, no una preferencia; porque la normativa del EU AI Act supervisa las recomendaciones médicas opacas con mayor rigor que las reglas; y porque los modelos sin datos funcionan peor que las reglas, y la plataforma aún está recopilando datos.
¿Qué impide a un PMS convencional copiar esto? La API de Garmin Health proporciona datos biométricos, pero no las prescripciones del médico ni el registro de alimentación. El par «estímulo → respuesta» solo se consolida cuando los tres flujos conviven en el mismo circuito, y ese conjunto de datos permanece siempre en el hotel.
¿Dónde se puede consultar todo esto? En el panel: «Ajustes» → «Asistente» —las fichas de ambos registros, las observaciones por factores, el botón de comprobación del pronóstico y la descarga en JSONL (pantalla del administrador).
¿La plataforma afirma causalidad? No. Las medias «con / sin el factor» se etiquetan como observaciones; las conclusiones causales exigen un volumen de datos y un diseño de estudio que un único hotel no posee, y la página lo expone con total franqueza.
