La próxima semana, delegados de 194 Estados Miembros se reunirán en Ginebra para la septuagésima novena Asamblea Mundial de la Salud. El fortalecimiento de los sistemas de salud, la cobertura sanitaria universal y el financiamiento que conecta a ambos estarán en el centro de la agenda. Gran parte de la evidencia sobre la que deliberará la sala vive en dos de las bases de datos públicas insignia de la OMS — el Global Health Observatory (GHO) y el Global Health Expenditure Database (GHED). Hoy publicamos como código abierto dos pequeñas herramientas que hacen que esas bases de datos sean directamente accesibles desde los asistentes de IA que los investigadores en salud global ya usan todos los días.
Donde los datos de la OMS se encuentran con el flujo de trabajo con IA
El Global Health Observatory y el Global Health Expenditure Database de la OMS son dos de los bienes públicos más importantes en la salud global. El GHO publica más de 2.500 indicadores a través de una API OData documentada; el GHED publica un workbook integral “all-data” que cubre más de 4.000 variables del marco del Sistema de Cuentas de Salud 2011. Los equipos de la OMS que mantienen ambos han construido y curado la columna vertebral de la investigación comparativa de sistemas de salud en el mundo.
Los investigadores también trabajan, cada vez más, con asistentes de IA. Claude, ChatGPT, Gemini y otros son parte del flujo de trabajo diario en ministerios de salud, organismos multilaterales, departamentos académicos y equipos de periodismo en toda América Latina, el Caribe y más allá. Una pregunta se hace en lenguaje natural, y el asistente responde desde sus datos de entrenamiento — a veces con precisión, a veces no — o ejecuta una búsqueda web ad hoc que no siempre aterriza en la fuente más autorizada.
Lo que faltaba era un puente directo entre ambos. Los asistentes de IA no hablan nativamente la sintaxis de filtros OData, no llevan códigos de indicadores como WHOSIS_000001 en sus cabezas, ni saben que el gasto sanitario corriente en GHED se descompone aditivamente como CHE = HF1 + HF2 + HF3 + HF4 + HFnec bajo SHA 2011. Con esas primitivas cableadas, un asistente puede hacer por un investigador lo que el investigador haría por sí mismo — solo que más rápido, en cualquier idioma, y sin el impuesto de búsqueda de esquema. Ese puente es lo que ofrecen gho-mcp y ghed-mcp.
Qué cambian los MCPs
El Model Context Protocol, lanzado por Anthropic a finales de 2024 y ahora un estándar abierto, permite que asistentes de IA como Claude se comuniquen con sistemas externos a través de una interfaz uniforme. El protocolo define cómo un asistente descubre lo que una herramienta puede hacer, la llama y representa el resultado. En la práctica, los MCPs son la forma en que un modelo gana acceso real y verificable a cualquier cosa fuera de sus datos de entrenamiento — una base de datos, una API, un sistema de archivos, un workbook de investigación.
Para un investigador, lo relevante es esto: cuando un servidor MCP está conectado, se puede hacer una pregunta en lenguaje natural y el modelo maneja el esquema, los códigos, los bucles y las desagregaciones por usted. El modo de falla “Claude conoce la respuesta” — números confiadamente alucinados — desaparece. El modelo ahora está leyendo la base de datos; la base de datos es la fuente de verdad.
El cambio en una línea
Antes: el modelo adivina y usted verifica. Después: el modelo consulta y usted analiza.
gho-mcp: el Global Health Observatory, en lenguaje natural
gho-mcp es un servidor MCP para el Global Health Observatory de la OMS. Expone un pequeño conjunto de herramientas orientadas a tareas — perfil de país, comparar países, buscar indicadores, describir dimensiones de indicadores, resolver códigos de país, listar grupos curados de países y un escape de modo experto para consultas OData en bruto. Los nombres de países, códigos ISO3, códigos de regiones de la OMS (AFR, AMR, EMR, EUR, SEAR, WPR) y los grupos de ingresos del Banco Mundial (WB_HI, WB_UMI, WB_LMI, WB_LI) se aceptan indistintamente. La exportación a CSV está incorporada.
Con él instalado, un asistente puede responder preguntas como:
- “Constrúyeme un perfil comparativo del sistema de salud para Perú.”
- “Grafica la mortalidad materna en los países andinos desde 2010.”
- “¿Cuál es el gradiente de cobertura del servicio de UHC por grupo de ingresos del Banco Mundial?”
- “¿Admite el indicador de tabaco la desagregación por sexo?”
Un perfil de país extrae cerca de una docena de indicadores clave en una sola llamada paralelizada — esperanza de vida, HALE, mortalidad infantil y de menores de cinco años, RMM, cobertura del servicio de UHC, cobertura DTP3, atención calificada del parto, densidad de médicos y de enfermería, mortalidad prematura por ENT, incidencia de tuberculosis — todo en el último año disponible. La misma forma funciona para cualquier país del GHO.
ghed-mcp: el Global Health Expenditure Database, consciente de la contabilidad
ghed-mcp es el servidor compañero para el Global Health Expenditure Database. Descubre el workbook “all-data” actual de la OMS en el primer uso, construye un caché derivado en SQLite y expone un conjunto más amplio de herramientas que respetan cómo trabajan en realidad los investigadores en financiamiento sanitario. El servidor conoce las jerarquías aditivas de SHA 2011 y valida las descomposiciones con una verificación suma-versus-padre, de modo que el modelo se aleja de aritméticas que no se computan como una identidad contable.
Con él instalado, un asistente puede responder:
- “Constrúyeme un perfil de financiamiento sanitario para Colombia.”
- “Compara la carga del gasto de bolsillo en los países de ALC desde el 2000.”
- “¿Cuál es el gradiente de prioridad gubernamental por grupo de ingresos del Banco Mundial?”
- “Descompón el gasto sanitario corriente de Perú por esquema de financiamiento para 2023.”
Más allá de la extracción de datos, hay herramientas de flujo de trabajo de investigación — data_availability, build_research_panel, build_research_package — que convierten una pregunta vaga en un panel largo ordenado más codebook y CSVs de disponibilidad, listos para importar a Stata o R.
Un pequeño ejemplo
Una vez instalado, la superficie es solo lenguaje natural. Una sesión típica en Claude podría comenzar con:
Compara el gasto de bolsillo en salud como proporción del gasto sanitario corriente en los países de ALC desde el 2000, y dime cuáles países se han movido más en la dirección correcta.
Detrás de escena, el modelo llama a compare_countries(indicator_code="oops_che", country_group="LAC", year_start=2000), calcula cambio porcentual y CAGR con rank_country_changes, y devuelve un párrafo que nombra a los líderes y rezagados junto con un CSV listo para pegar en un gráfico. El investigador no escribe código. Las cifras mostradas son las cifras que existen en la base de datos, con advertencias sobre años mixtos cuando es relevante.
Una decisión pequeña con consecuencias regionales
Ambos servidores incluyen un conjunto curado de agrupaciones de países más allá de lo que la OMS y el Banco Mundial publican como dimensiones integradas. La más consecuente de estas es LAC — 33 Estados soberanos de América Latina y el Caribe, la convención de OPS/Decilion. La región de ALC del Banco Mundial es de 42 economías, lo que incluye territorios como Aruba, las Islas Caimán, Curazao y Puerto Rico que la mayoría del trabajo comparativo en ALC trata por separado. Por defecto, nuestro grupo LAC es el de 33 estados. La versión de 42 economías también está disponible, como LAC_TERRITORIES. También están OECD, LDC, SSA, MENA y varios otros.
Esta es una decisión pequeña pero deliberada. Los agregados regionales dan forma a todo argumento comparativo de sistemas de salud, y los países dentro del corchete importan. Los investigadores que quieren una u otra definición pueden elegir. Los investigadores que no saben que hay una elección aún obtienen el valor por defecto más defendible analíticamente.
Instalación y qué sigue
Ambos servidores tienen licencia MIT y viven en GitHub:
La instalación es un recorrido breve si ya tienes Python 3.11 — clonar, crear un virtualenv, pip install -e ., y registrar el servidor con tu cliente MCP (Claude Code, Claude Desktop, Codex, Cursor, Cline, Continue). Ambos READMEs incluyen los comandos exactos.
Los servidores aún no están listados en ningún registro MCP; eso llegará una vez que la superficie esté estable. Lo que ayuda en este momento es la retroalimentación — abre un issue si la firma de una herramienta se siente incorrecta, si una agrupación curada necesita agregar un miembro, o si hay una pregunta comparativa que ninguno de los servidores puede responder bien. Las listas de países están versionadas y se actualizan anualmente; Bangladesh, Lao PDR y Nepal se graduarán del estado de LDC el 24 de noviembre de 2026, y el archivo lo sabe.
La WHA se reúne la próxima semana. Para entonces, nuestra esperanza es que algunas decenas de investigadores, personal de ministerios y periodistas estén mirando la misma evidencia que mira la sala, sobre sus propias preguntas, en sus propios idiomas. Eso es lo que estas herramientas fueron construidas para hacer.
