La predicción temprana de la diabetes mellitus gestacional sigue siendo uno de los retos más complejos en el ámbito de la salud materno-fetal. Los hospitales acumulan enormes volúmenes de historiales clínicos electrónicos, pero la mayoría de esos registros carecen de etiquetas diagnósticas confirmadas. Además, la normativa de privacidad impide compartir datos de pacientes entre centros, lo que limita el entrenamiento de modelos robustos. Para sortear estas barreras, el campo de la inteligencia artificial ha comenzado a explorar enfoques que combinan aprendizaje federado con redes neuronales de grafos. La idea es que cada institución construya su propio grafo de similitud entre pacientes —usando variables como edad, índice de masa corporal o niveles de glucosa— y entrene un codificador local que actualice de forma colaborativa un modelo global sin mover datos sensibles. Un aspecto clave es cómo aprovechar los registros sin etiquetar. Una técnica emergente consiste en generar pseudoe etiquetas guiadas por prototipos: se calculan centroides de clases en el espacio de representaciones y se asignan etiquetas provisionales a los puntos no etiquetados según su proximidad a esos centroides, todo ello con mecanismos de acuerdo vecinal para filtrar ruido. Este tipo de arquitectura, que además refina el grafo de forma adaptativa durante el entrenamiento, permite obtener resultados sólidos incluso cuando el 80 % de las etiquetas están ausentes. En Q2BSTUDIO, como empresa de desarrollo de software y tecnología, trabajamos en soluciones que integran estos principios de inteligencia artificial para empresas para entornos donde la privacidad y la escasez de datos son críticas. Nuestro equipo implementa desde aplicaciones a medida que orquestan flujos federados sobre infraestructuras cloud, usando servicios cloud aws y azure para garantizar escalabilidad y cumplimiento normativo. También integramos agentes IA que automatizan la asignación de pseudoe etiquetas y la refinación de grafos, siempre bajo estrictos controles de ciberseguridad. En proyectos de carácter clínico, combinamos estos algoritmos con servicios inteligencia de negocio como Power BI para visualizar la evolución de los modelos y detectar sesgos. El resultado es un enfoque práctico que permite a los hospitales desplegar sistemas de riesgo temprano sin comprometer la confidencialidad de sus pacientes, y que además puede adaptarse a otras patologías donde la falta de etiquetas sea un obstáculo habitual.