BeWell

Nuestro proyecto ataca un problema crítico: la detección tardía de riesgos clínicos en instituciones que evalúan a su población.

Comment

BeWell - Intelligent Clinical Risk Assessment System

Inspiration

Como parte del equipo de trabajo de la clínica SuSalud UAQ, identificamos una problemática crítica: existía una gran cantidad de datos clínicos recolectados, pero estos no estaban siendo aprovechados de manera efectiva.

Esta situación no era exclusiva de nuestra institución, sino que también se replicaba en otras organizaciones, donde los datos se almacenaban pero no se analizaban en profundidad para generar valor clínico real.

Detectamos una ceguera informativa, donde la información existía, pero no se transformaba en conocimiento accionable.

Esto nos llevó a preguntarnos:

¿Cómo podemos utilizar inteligencia artificial para transformar datos clínicos en decisiones preventivas?

Así nació BeWell, como una solución enfocada en convertir datos en predicciones de riesgo que ayuden a detectar problemas de salud de manera temprana.

What it does

BeWell es un sistema de evaluación de riesgo clínico basado en inteligencia artificial que:

  • Analiza datos clínicos y cuestionarios de estudiantes/pacientes
  • Predice múltiples riesgos de salud:
    • Salud mental (ansiedad, depresión)
    • Riesgos metabólicos
    • Uso de sustancias
    • Condición musculoesquelética
  • Genera:
    • Predicción de riesgo
    • Probabilidad asociada
    • Nivel de riesgo (low, medium, high)
    • Factores más influyentes (interpretabilidad)

A nivel conceptual, el sistema modela:

$$ P(Y \mid X) = f(X) $$

Donde:

  • $X$ = características clínicas del paciente
  • $Y$ = riesgo estimado
  • $f$ = modelo de machine learning entrenado

How we built it

El proyecto se desarrolló en varias etapas clave:

1. Procesamiento de datos

  • Partimos de un dataset clínico estructurado (BASE_PARSEADA)
  • Eliminamos data leakage
  • Realizamos limpieza, transformación y agregación por expediente
  • Generamos datasets independientes por modelo

2. Modelado

Entrenamos múltiples modelos especializados por dominio:

  • CatBoost
  • LightGBM
  • Random Forest

Cada modelo fue diseñado para un target específico, permitiendo mayor precisión y control.

3. Evaluación

  • Validación cruzada (Stratified K-Fold)
  • Métricas clínicas:
    • AUROC
    • F1 Score
    • Recall
    • Precision
    • AUPRC
    • Brier Score

4. Interpretabilidad

Implementamos SHAP para explicar:

  • Importancia global de variables
  • Impacto individual por paciente

5. Arquitectura

El sistema fue diseñado en tres capas:

  • Motor de Machine Learning
  • API de inferencia
  • Sistema de gestión (prototipo)

Challenges we ran into

Durante el desarrollo enfrentamos varios retos importantes:

Desbalance de clases

Algunos riesgos tenían muy pocos casos positivos, lo que afectaba el aprendizaje del modelo.

Ruido en los datos

Los cuestionarios clínicos presentaban variabilidad y solapamiento entre clases.

Definición de targets

Algunos targets multiclase (como niveles de riesgo) eran difíciles de separar claramente.

Tamaño de muestra limitado

En ciertos modelos, la cantidad de datos era reducida, limitando el rendimiento.

Integración completa del sistema

Debido a limitaciones de tiempo, no se logró desplegar completamente el sistema, aunque el núcleo funcional está terminado.

Accomplishments that we're proud of

  • Construcción de un pipeline completo de datos clínicos
  • Entrenamiento de múltiples modelos especializados
  • Validación con métricas robustas
  • Implementación de interpretabilidad (SHAP)
  • Diseño de una API lista para integración
  • Identificación y descarte de modelos no viables
  • Sistema escalable y modular

Además, logramos algo clave:

Transformar datos clínicos reales en un sistema funcional de apoyo a la toma de decisiones.

What we learned

Este proyecto nos dejó aprendizajes muy valiosos:

  • La calidad del dato es más importante que el modelo
  • No todos los problemas son resolubles solo con más complejidad
  • La interpretabilidad es esencial en contextos clínicos
  • El desbalance de clases es uno de los mayores retos en salud
  • La validación adecuada es clave para evitar sobreajuste

Y sobre todo:

Aprendimos que con un buen pipeline y una arquitectura bien definida, este tipo de soluciones puede replicarse e implementarse a la medida en distintas organizaciones.

What's next for BeWell

El siguiente paso para BeWell es llevarlo a un entorno real:

  • Despliegue en infraestructura segura
  • Integración con sistemas clínicos institucionales
  • Mejora de datasets (más muestras, mejor balance)
  • Refinamiento de targets clínicos
  • Desarrollo completo del frontend
  • Implementación en múltiples organizaciones

Nuestra visión es clara:

Convertir BeWell en una plataforma escalable de evaluación de riesgo clínico basada en inteligencia artificial, adaptable a distintas instituciones de salud.

Credenciales de prueba (para revisión) en bewell-ai.talax.com.mx

Profesionales

Pacientes

- Password: W3ll#9a

Built With

Share this project:

Updates

Submission history