Lumy

Menos clics, más tiempo para el paciente: el hospital impulsado por IA.

Comment

Inspiración

Hoy en día, el sistema de salud enfrenta una crisis silenciosa: el burnout médico. Investigamos y descubrimos que hasta el 35% del tiempo de un médico se pierde en tareas administrativas y documentación. Esta "fatiga de pantalla" no solo agota al personal, sino que es una de las principales causas de errores médicos críticos.

Nos inspiró la idea de que la tecnología en los hospitales no debe ser una carga, sino una red de seguridad invisible. Así nació Lumy, con un objetivo claro: devolverle el tiempo al médico para que se enfoque en el paciente y dotar al hospital de inteligencia proactiva para prevenir accidentes.

Qué hace Lumy

Lumy es un ecosistema de salud integral impulsado por Inteligencia Artificial y Visión por Computadora. Funciona como una capa de "Inteligencia Ambiental" en el entorno médico:

  • Reportes AI por Voz: El médico habla con el paciente, y Lumy transcribe, comprende y estructura automáticamente la información en el expediente clínico en tiempo real. Adiós al teclado.
  • Vigilancia Proactiva (YOLO): Utilizamos las cámaras del hospital para detectar anomalías físicas en tiempo real, como riesgo de caídas de pacientes o herramientas olvidadas en quirófano.
  • Gestión Centralizada y Segura: Un dashboard intuitivo donde se concentran los expedientes de todos los pacientes, protegidos bajo estrictos estándares de seguridad.

Cómo lo construimos

Dividimos la arquitectura en cuatro pilares fundamentales para garantizar baja latencia y alta escalabilidad:

  1. Frontend (React & Tailwind CSS): Desarrollamos una interfaz limpia y basada en el diseño atómico. Priorizamos la reducción de la carga cognitiva con vistas optimizadas para el Login y los Expedientes Clínicos.
  2. Backend y Base de Datos (NestJS & MongoDB): Implementamos un backend robusto en NestJS. Elegimos MongoDB por su flexibilidad de esquemas dinámicos, ideal para historiales médicos no estructurados. Implementamos arquitectura Zero Trust y cifrado para proteger la información sensible.
  3. Inteligencia Artificial de Voz: Integramos modelos de Procesamiento de Lenguaje Natural (NLP) capaces de extraer entidades clínicas (síntomas, diagnósticos, medicamentos) directamente del audio y estructurarlas en JSON para la base de datos.
  4. Visión por Computadora (YOLO): Desplegamos el modelo YOLO (You Only Look Once) por su capacidad de inferencia en tiempo real. Entrenamos las detecciones para identificar bounding boxes críticos en entornos de alta presión médica con una precisión altísima.

Desafíos que enfrentamos

  • Precisión de la terminología médica: Lograr que la IA transcribiera y clasificara correctamente términos médicos complejos a partir de la voz fue un reto gigante de prompt engineering y fine-tuning.
  • Latencia en Visión Computacional: Procesar video en tiempo real requiere muchos recursos. Tuvimos que optimizar los pesos del modelo YOLO para que las inferencias ocurrieran en milisegundos sin colapsar el sistema.
  • Arquitectura de Datos Segura: Diseñar el modelo de datos en MongoDB para que soportara consultas rápidas (para las vistas del frontend) pero mantuviera relaciones estrictas y seguras para los expedientes de miles de pacientes simulados.

Logros de los que estamos orgullosos

  • Logramos integrar con éxito 4 tecnologías completamente diferentes (React, Mongo, Voice AI y YOLO) en un solo ecosistema funcional.
  • La fluidez con la que el dictado por voz llena automáticamente la interfaz de expedientes, demostrando que podemos automatizar tareas en el punto de atención.
  • Diseñar una experiencia de usuario (UX) que realmente se siente diseñada por y para personal de la salud.

Qué aprendimos

Aprendimos que en la tecnología médica, el margen de error es $E = 0$. Comprendimos la importancia de la interoperabilidad y cómo construir microservicios que no se bloqueen entre sí. También aprendimos a optimizar modelos de IA para hardware limitado y reforzamos nuestra capacidad para colaborar bajo presión extrema coordinando frontend, backend y modelos de machine learning.

Qué sigue para Lumy

  • Integración HL7/FHIR: Hacer que nuestro sistema sea completamente interoperable con plataformas hospitalarias legacy.
  • Expansión de modelos YOLO: Entrenar el modelo con datasets más específicos de UCI (Unidad de Cuidados Intensivos) para monitorear el estado de los equipos médicos.
  • Soporte Multilingüe: Expandir la IA de voz para detectar y traducir consultas en tiempo real, ayudando en zonas con barreras de idioma.
+ 3 more
Share this project:

Updates