Una visión que lleva
dieciséis años gestándose.

Capa 1

La persona

La base. Personas que siguen sus propios protocolos de salud: quienes buscan optimizar su longevidad, deportistas, pacientes con enfermedades crónicas, usuarios de GLP-1, cualquiera que haya tomado una decisión deliberada sobre su salud y quiera saber si funciona.

En esta capa se construye la confianza y nacen los datos. El producto tiene que ser real y evidentemente útil aquí: nadie registra datos por la ciencia. Los registra porque le sirve. Kinosis se gana los datos ganándose al usuario.

Capa 2

El profesional

Médicos, nutricionistas, coaches, profesionales de medicina funcional. Definen protocolos para sus pacientes y reciben a cambio datos longitudinales de adherencia y eficacia, siempre con el consentimiento explícito y revocable de cada paciente: los datos siguen siendo del paciente y el acceso termina cuando el paciente lo decide. Para los profesionales, esto elimina un punto ciego fundamental: hoy no ven lo que pasa entre una consulta y la siguiente. Un médico con 500 pacientes suma a la plataforma 500 historiales longitudinales con consentimiento. Cada uno más rico, profundo y continuo que cualquier historia clínica.

Capa 3

Sistemas de salud y hospitales

Gestión de protocolos a escala institucional. Recuperación posquirúrgica. Programas de manejo de enfermedades crónicas. Iniciativas de salud preventiva. En esta capa, Kinosis deja de ser una herramienta y pasa a ser infraestructura: integrada en los circuitos de atención, genera los datos de resultados que los sistemas de salud necesitan para la atención basada en valor, la gestión de la salud poblacional y los reportes regulatorios.

Capa 4

Farmacéuticas y biotecnología

Desarrollo de fármacos y farmacovigilancia poscomercialización. Esta capa merece una explicación cuidadosa, porque plantea una pregunta obvia: ¿por qué una farmacéutica haría un estudio en una plataforma donde los datos no son suyos?

La respuesta es que nunca necesitó ser dueña de los datos. Necesitaba las respuestas.

Lo que una farmacéutica paga en un ensayo clínico no es un conjunto de datos: es la capacidad de responder una pregunta de investigación concreta con confianza estadística. Gasta USD 50 millones en un ensayo no para quedarse con historiales de pacientes, sino para saber si su fármaco funciona, en quién y a qué dosis. Una organización de investigación por contrato (CRO) que lleva adelante ese ensayo tampoco le transfiere al patrocinador la propiedad de los datos de los pacientes. Lo que se transfiere es el análisis, los hallazgos y el paquete de evidencia regulatoria. Kinosis ofrece la misma estructura: la farmacéutica paga por la infraestructura del estudio y por análisis anonimizados y agregados, nunca por historiales individuales. Los datos se quedan con los usuarios. Las respuestas van al patrocinador.

Pero Kinosis ofrece algo que un ensayo tradicional, por su propia estructura, no puede: contexto longitudinal antes y después de la intervención. Un ensayo empieza con la inclusión. Los usuarios de Kinosis llegan con meses o años de historial de conducta y biomarcadores antes de que empiece el estudio, y siguen generando datos cuando termina. Ese contexto previo y posterior es enormemente valioso: revela patrones de base, identifica factores de confusión y capta efectos a largo plazo que los ensayos nunca ven porque terminan demasiado pronto. Un fármaco que muestra eficacia a las 12 semanas puede comportarse de forma muy distinta a los 24 meses. Kinosis lo sabe, porque siguió observando.

Además, los ensayos clínicos reclutan en una población acotada: personas lo bastante sanas para participar, dispuestas a hacerlo, con acceso geográfico a los centros del ensayo y demográficamente poco representativas de la población real de pacientes. Los estudios en Kinosis podrían llegar a la población que de verdad usará el fármaco —diversa, global, del mundo real— con datos continuos y a una fracción del costo de un ensayo.

El registro se vuelve invisible

Hoy, registrar exige intención. El usuario tiene que acordarse de registrar una comida, abrir una app, describir un síntoma. Es una limitación importante para la completitud de los datos. No siempre será así.

Los wearables están pasando de dispositivos de muñeca a sensores ambientales continuos: anillos inteligentes, parches, implantables y, con el tiempo, materiales tejidos en la ropa e integrados en el entorno. En una década, la mayoría de los datos fisiológicamente relevantes —frecuencia cardíaca, HRV, temperatura, glucosa, cortisol, frecuencia respiratoria, arquitectura del sueño, movimiento— se registrarán de forma pasiva, continua y sin fricción.

Los sensores ambientales registrarán automáticamente la calidad del aire, la exposición UV, el ruido, la temperatura y el contexto social. La visión artificial y el procesamiento de audio inferirán la composición de las comidas, la interacción social, el estrés y el estado emocional a partir de datos del entorno. Registrar dejará de ser un informe activo para pasar a ser una confirmación pasiva: no "¿qué comiste?", sino "esta mañana comiste lo que parecen huevos y café, ¿es correcto?".

A medida que el registro se vuelve invisible, el conjunto de datos se vuelve completo. Y un conjunto de datos longitudinal completo es cualitativamente distinto de uno parcial: es la diferencia entre un boceto y una fotografía.

La IA aprende a conocer a cada persona

Hoy, Kinosis le hace a cada usuario más o menos las mismas preguntas. Mañana, le hará a cada uno exactamente la pregunta correcta, en el momento justo y de la forma adecuada.

Una IA contextual —entrenada con los patrones de conducta, los ritmos circadianos, los hábitos de registro, el contexto de vida y el historial de respuestas de cada usuario— construirá un modelo preciso de quién es esa persona y cómo transcurre su día. Sabrá que este usuario registra sin falta a las 8 de la mañana pero se olvida después de las 6 de la tarde. Sabrá que es más probable que se salte su sesión de Zona 2 cuando durmió mal. Sabrá que responde mejor a los datos que a los ánimos.

Es el marco JITAI —Just-In-Time Adaptive Interventions, intervenciones adaptativas en el momento justo— aplicado a nivel individual y con inteligencia real detrás. No un calendario de notificaciones push. Un modelo de una persona, que interviene en el momento óptimo con el mensaje óptimo. El objetivo son tasas de registro y niveles de participación más altos que los de las apps estáticas.

La capa de IA también se convierte en la interfaz. A medida que maduren los modelos de lenguaje, la conversación entre un usuario y Kinosis se sentirá menos como registrar datos y más como hablar con alguien que te conoce a ti y a tu salud en profundidad: que lo recuerda todo, detecta patrones que se te escaparon y te hace la pregunta que no sabías que debías hacerte.

El análisis llega a conclusiones que antes no eran posibles

El techo analítico de los datos de salud siempre lo ha fijado la calidad y la completitud de los datos, no la sofisticación de los métodos. Con un conjunto de datos longitudinal completo a escala poblacional, ese techo desaparece.

La inferencia causal —distinguir correlación de causalidad en muchos experimentos naturales— podría volverse viable. Si 50.000 personas empezaron por su cuenta un protocolo similar en distintos momentos, en distintas condiciones y con distintos biomarcadores de base, el conjunto de datos contiene la señal para entender qué impulsa realmente los resultados y qué solo se correlaciona con ellos.

Los modelos de predicción personalizados —entrenados con toda la profundidad del historial longitudinal de una persona— podrán anticipar trayectorias de biomarcadores, señalar alertas tempranas e identificar los ajustes concretos del protocolo con más probabilidades de mover los marcadores de esa persona en la dirección correcta. No promedios poblacionales. Predicciones individuales, basadas en la propia historia de la persona.

La IA multimodal —que procesa a la vez datos genómicos, del microbioma, imágenes, análisis, wearables, patrones de conducta y contexto ambiental— sacará a la luz conexiones entre dimensiones que ningún analista humano podría encontrar. Las interacciones entre la calidad del sueño, la composición del microbioma, el horario del ejercicio y los marcadores inflamatorios, por ejemplo, son demasiado complejas para que los métodos estadísticos tradicionales las desenreden. Son justo el tipo de patrón que los modelos de IA a gran escala están hechos para encontrar.

Con el tiempo, Kinosis aspira a ser no solo un lugar para seguir protocolos, sino una fuente de evidencia sobre cómo interactúan la conducta y la biología.

La plataforma se vuelve predictiva

La evolución final es la más profunda. Hoy, toda herramienta de salud es retrospectiva: te dice lo que ya pasó. Un conjunto de datos longitudinal lo bastante rico, combinado con la capacidad analítica que está llegando a gran velocidad, invierte eso: la plataforma empieza a decirte qué es probable que pase y qué hacer al respecto ahora.

Tras años de datos continuos sobre una persona —patrones de conducta, tendencias de biomarcadores, correlaciones con el entorno, historial de protocolos—, el sistema construye un modelo personal de la trayectoria de salud de esa persona. No promedios poblacionales aplicados a ella. Predicciones basadas en su propia historia, sus propios patrones y su propia respuesta a las intervenciones. Agregados entre muchas personas, estos modelos individuales podrían ayudar a detectar señales tempranas de una enfermedad antes de su manifestación clínica. Ese es el objetivo a largo plazo.

Es el punto de llegada lógico del círculo virtuoso de los datos. La pregunta no es si es posible. La pregunta es quién construye la plataforma que lo haga realidad.

Para Kinosis, esto también es un compromiso de arquitectura, no solo una declaración de visión. La plataforma se está construyendo desde el principio para manejar los volúmenes de datos, la profundidad longitudinal, la complejidad multimodal y la arquitectura de privacidad que este futuro exige. Las decisiones que se toman hoy —cómo se estructuran los datos, cómo se gestiona el consentimiento, cómo se construye el motor de correlaciones, cómo se diseña la API— se toman con ese punto de llegada en mente. Una plataforma que no se construye para esto desde el inicio no puede convertirse en ella después. Kinosis sí.