La predicción clínica a partir de datos tabulares sigue siendo uno de los terrenos más desafiantes del machine learning aplicado. Frente a la heterogeneidad de variables, el desbalanceo de clases y la necesidad de interpretabilidad, los enfoques clásicos con ingeniería manual de características suelen rendir mejor que las redes neuronales profundas. Sin embargo, la irrupción de los grandes modelos de lenguaje (LLMs) está transformando esta área al permitir que una máquina actúe como experto de dominio, proponiendo transformaciones de atributos que mejoran el rendimiento del modelo final. No obstante, la mayoría de las aproximaciones existentes operan de forma desacoplada: el LLM genera características sin recibir retroalimentación sobre qué variables están siendo relevantes para el predictor o dónde su capacidad representacional se queda corta. Esto limita la eficiencia y la dirección de las propuestas, especialmente en entornos sanitarios donde cada decisión debe ser justificable y efectiva. En este contexto nace MedFeat, un marco conceptual que inspira su funcionamiento en el flujo de trabajo de los científicos de datos: integra señales de importancia de características para guiar de forma iterativa el descubrimiento de nuevas transformaciones. Este principio de 'model-awareness' permite que las sugerencias generadas por el LLM se alineen con el sesgo inductivo del modelo de aprendizaje y con las regiones del espacio de características que más urgen de atención. Aunque MedFeat es una propuesta académica reciente, su filosofía tiene un enorme potencial práctico. Desde la perspectiva empresarial, implementar soluciones de inteligencia artificial para empresas que incorporen este tipo de bucles de retroalimentación puede marcar la diferencia en sectores como el diagnóstico asistido, la gestión de ensayos clínicos o la predicción de riesgos hospitalarios. En Q2BSTUDIO, como empresa de desarrollo de software y tecnología, entendemos que cada proyecto clínico requiere un enfoque personalizado. Por ello ofrecemos aplicaciones a medida que integran agentes IA, servicios cloud AWS y Azure, y capas de ciberseguridad para proteger datos sensibles, todo complementado con paneles de inteligencia de negocio basados en Power BI. La combinación de estas capacidades permite construir sistemas predictivos que no solo sean precisos, sino también explicables y escalables. MedFeat representa un paso adelante en la sinergia entre LLMs y modelos tabulares, y su adopción práctica abre la puerta a una nueva generación de herramientas clínicas donde la ingeniería de características deja de ser un cuello de botella para convertirse en un motor de innovación guiado por la propia lógica del modelo.