Cómo montar un historial médico personal con un agente de IA: seis carpetas en lugar de una aplicación

Todos acumulamos papeles médicos: resultados de análisis, informes de médicos, prescripciones, mediciones de presión y peso. Y están por todas partes: un PDF en la web del laboratorio, escaneos en una carpeta, entrenamientos en la app deportiva, nombres de medicamentos en las notas. Encontrar un análisis concreto es fácil. Reunir el cuadro completo antes de una visita al médico ya es más difícil. El autor del artículo en Habr propone no escribir una aplicación para ello, sino construir un entorno en el que trabaje un agente de IA.

Por qué no un sistema médico convencional

Los sistemas médicos especializados solo hacen lo que sus desarrolladores han previsto. Que un programa guarde valores de laboratorio y dibuje gráficos no significa que vaya a cruzarlos con la toma de medicamentos o con la actividad física. Cada una de esas combinaciones exige modelos de datos, interfaces y algoritmos.

El autor parte de otra premisa. La mayoría de las tareas son operaciones sobre información: encontrar documentos, extraer valores, casar fechas y unidades, calcular, mostrar. Eso es justo lo que los modelos actuales hacen bien si se les da acceso a los archivos. La funcionalidad surge de la petición: «dibuja un gráfico de la toma de estatinas junto a la bioquímica» o «qué medicamentos tomé durante el ciclo de fisioterapia». No hace falta buscar el botón adecuado ni esperar a una nueva versión.

Por eso no se pone una base de datos como cimiento. Los datos médicos son demasiado heterogéneos: tablas de indicadores, texto, imágenes, documentos complejos. No se puede prever de antemano un esquema para todos los casos. La base son archivos corrientes, y una base de datos se puede conectar más adelante para tareas concretas. La estructura y las reglas de trabajo se describen en archivos AGENTS.md, uno por directorio. El enfoque no depende de un proveedor concreto de modelos.

Seis capas

El sistema funciona como una cadena de montaje en la que cada capa aporta una nueva propiedad al documento.

• Entrantes. Carpeta temporal para los archivos nuevos: PDF, fotos, audio, exportaciones. Aquí también se le puede explicar al modelo que dos escaneos de las dos caras de una hoja son un solo documento.
• Originales. Los archivos no se modifican; solo se pueden distribuir en carpetas y renombrar con nombres más claros. Esto sirve para verificar: el reconocimiento pudo distorsionar valores, y dentro de un año querrá pasar el documento por un modelo mejor.
• Materiales. Versiones en texto de los originales: un escaneo reconocido, la transcripción de un audio, el texto de un PDF. Cada material enlaza con su fuente. Si el modelo no logra descifrar algo, pregunta al usuario.
• Registros. Hechos estructurados: valores de análisis, visitas, prescripciones. Aquí los distintos nombres de un mismo indicador se unifican, las unidades de medida se llevan a una forma común y se eliminan duplicados y conflictos.
• Scripts. Para operaciones repetitivas, como importar cientos de archivos de entrenamiento del mismo tipo, es mejor escribir un programa que encargárselo al modelo cada vez. El resultado es reproducible y verificable.
• Documentos de salida. Gráficos, tablas, resúmenes e informes generados bajo petición.

Qué aporta esto a un desarrollador

La idea central va más allá de la medicina. En lugar de una aplicación con un conjunto fijo de funciones, usted construye un entorno de tres partes: datos, reglas y un agente con herramientas. Las propias capas parecen un mínimo de buena ingeniería para cualquier tarea con documentos «sucios»: no pierdas los originales, conserva el vínculo entre lo derivado y la fuente, normaliza los datos en un paso aparte y lleva a código lo que se repite.

El autor aclara por separado que los scripts no siempre son necesarios. En tareas puntuales el modelo se las arregla directamente, y a veces detecta por sí mismo las repeticiones, pero no siempre. Es una limitación importante: también la persona tiene que vigilar si una operación se repite.

Limitaciones

El reconocimiento de fotos y escaneos puede equivocarse, por lo que la capa de originales y los enlaces a la fuente son aquí obligatorios. La normalización de indicadores de distintos laboratorios hay que revisarla: el modelo puede casar mal las unidades. El objetivo del autor no es la interpretación médica, sino preparar materiales para la visita, y conviene limitarse a eso.

Por nuestra parte, añadimos: se trata de los datos personales más sensibles. Antes de entregárselos a un agente, conviene entender dónde se ejecuta físicamente el modelo, qué sale al exterior y quién tiene acceso a la carpeta. En la parte accesible del artículo esta cuestión no se analiza en detalle, y el texto se interrumpe en el ejemplo del procesamiento de un análisis nuevo.

El artículo incluye una plantilla en GitHub con README. Si construye agentes para trabajar con documentos personales o corporativos, vale la pena abrirla. Lo que se puede tomar de ahí no es la medicina, sino el esquema en sí: la estructura de archivos, las instrucciones por directorio y la separación entre originales, materiales y registros.