De eventos FHIR a Agentes IA explicables: ejemplo de seguimiento clínico con InterSystems IRIS for Health

10:47 AM — Los resultados de creatinina de José García llegan al servidor FHIR del hospital.
2.1 mg/dL — un aumento del 35% frente al mes pasado.

¿Qué pasa después?

• En un sistema típico: ❌ El resultado queda en una cola hasta que un clínico lo revise manualmente, horas o días después.
• Este sistema de ejemplo: 👍 Un agente de IA evalúa la tendencia, consulta guías clínicas y genera recomendaciones basadas en evidencia, en segundos y de forma automática.

Sin chatbot. Sin prompts manuales. Sin razonamiento de caja negra.

Esto es soporte a la decisión clínica impulsado por eventos con trazabilidad completa:

✅ Activado automáticamente por eventos FHIR
✅ Razonamiento multiagente (contexto, guías, recomendaciones)
✅ Trazabilidad completa en SQL (cada decisión, cada fuente de evidencia)
✅ Salidas nativas FHIR (DiagnosticReport publicado en el servidor)

Construido con:
- InterSystems IRIS for Health — Orquestación, FHIR, persistencia, búsqueda vectorial
- CrewAI — Framework multiagente para razonamiento estructurado

Aprenderás: 🖋️ Cómo orquestar flujos de IA agéntica dentro de sistemas de interoperabilidad listos para producción, y por qué la explicabilidad importa más que la precisión por sí sola.

https://www.youtube.com/embed/43Vl7cU_uNY?si=o3NZ3AqPOdFkCn9w
[Este es un enlace integrado, pero no puede ver el contenido integrado directamente en el sitio porque rechazó las cookies que se necesitan para acceder a él. Para ver el contenido integrado, debe aceptar todas las cookies desde la Configuración de cookies]

---

🎬 Qué muestra este ejemplo

Cuando llega la observación anormal de creatinina de José, el sistema genera automáticamente:

ENTRADA: Observación FHIR (creatinina 2.1 mg/dL, estado: HIGH)

SALIDA: DiagnosticReport FHIR que contiene:

• Nivel de riesgo: Medio-alto (confianza: 85%)
• Recomendaciones:
  • ⚠️ Repetir creatinina en 7-14 días
  • 💊 Revisar medicamentos nefrotóxicos (actualmente toma ibuprofeno)
  • 📊 Monitorear de cerca la función renal
• Evidencia utilizada:
  • Contexto del paciente: ERC estadio 3 + aumento progresivo de creatinina (>30%)
  • Guías clínicas: sección KDIGO sobre manejo de AKI en ERC
  • Análisis de tendencia de laboratorio: 1.6 → 1.9 → 2.1 mg/dL en 3 meses

TRAZA DE AUDITORÍA: Cada decisión, recomendación y cita de evidencia se persiste en tablas SQL para cumplimiento y revisión.

---

🎯 Qué problema resuelve este ejemplo

La mayoría de las demos de IA en salud se enfocan en:
- Interfaces de chat para hacer preguntas
- Salidas de texto no estructuradas
- Razonamiento opaco ("confía en la IA")

En entornos clínicos reales, lo que importa es:

• Reaccionar automáticamente a eventos clínicos
• Entender el contexto completo del paciente
• Proporcionar recomendaciones explicables con evidencia
• Persistir decisiones para auditoría y cumplimiento

Esta demo responde una pregunta simple pero realista:

¿Qué sucede cuando llega un nuevo resultado de laboratorio anormal y cómo podemos automatizar la evaluación clínica inicial manteniendo la transparencia?

---

🧪 Escenario: Enfermedad Renal Crónica + Creatinina en Ascenso

El ejemplo se basa en un caso de uso común en salud:

Paciente: Jose Garcia (MRN-1000001)
- Condiciones: Enfermedad renal crónica (ERC estadio 3), hipertensión
- Medicaciones: Ibuprofeno (AINE), lisinopril
- Historial de laboratorio:
- Hace 3 meses: 1.6 mg/dL
- Hace 1 mes: 1.9 mg/dL
- Hoy: 2.1 mg/dL ← dispara el flujo

El aumento progresivo >30% requiere seguimiento clínico.

En lugar de esperar una revisión manual, el sistema automáticamente:

1. Detecta el evento (POST de Observation FHIR)
2. Recupera contexto del paciente (condiciones, medicaciones, historial de laboratorio)
3. Consulta guías clínicas vía RAG (búsqueda vectorial)
4. Ejecuta razonamiento agéntico entre tres agentes especializados
5. Produce recomendaciones explicables con citas de evidencia

---

⏱️ De Evento a Evidencia: El Recorrido Completo

Sigue un único resultado de laboratorio a través del sistema:

• Observation FHIR publicada en el servidor IRIS
• Flujo de interoperabilidad activado
• El agente de contexto consulta el historial del paciente en FHIR
• El agente de guías clínicas busca en la base de datos vectorial (documentos clínicos)
• El agente de razonamiento sintetiza 3 recomendaciones
• Resultados persistidos en SQL (Cases, CaseRecommendations, CaseEvidences)
• Recurso FHIR DiagnosticReport publicado en el servidor
• Completo — Trazabilidad completa disponible para revisión

De un evento a recomendaciones accionables.

---

🧠 Vista General de Arquitectura

Principio Clave

InterSystems IRIS for Health es el orquestador y sistema de registro.

Los agentes de IA son capacidades externas gobernadas, activadas e integradas por la plataforma IRIS. IRIS controla los datos, el flujo y la auditoría; los agentes aportan razonamiento especializado.

Flujo de Alto Nivel

Pasos clave:

• Observación FHIR → enviada por POST al servidor FHIR de IRIS
• Estrategia de Interacción del servidor FHIR → detecta el evento clínico
• Producción de Interoperabilidad → orquesta el flujo
• Operación de Negocio → llama al servicio REST de IA agéntica (FastAPI)
• Ejecución de agentes → recuperación de contexto, búsqueda de guías, razonamiento
• Retorno de resultados → JSON estructurado vuelve a IRIS
• Persistencia → tablas SQL almacenan casos, recomendaciones y evidencia
• Publicación → se crea y almacena un DiagnosticReport FHIR

Componentes Visuales

La demo incluye una UI web en Gradio interactiva:

• Publicar valores de laboratorio y activar el flujo
• Ver el progreso de los agentes en tiempo real
• Ver recomendaciones y citas de evidencia
• Consultar tablas SQL de auditoría
• Acceder al visor de mensajes de IRIS Production

Esto hace que el flujo completo sea visible y entendible.

---

🤖 ¿Por Qué CrewAI? Entendiendo la Arquitectura Multiagente

CrewAI es un framework de orquestación multiagente que permite a agentes de IA especializados colaborar en tareas complejas.

En esta demo, tres agentes trabajan de forma secuencial:

1. Agente de Contexto

Rol: Recopilar historial clínico del paciente desde el servidor FHIR

Acción:
- Obtener datos demográficos y diagnósticos del paciente
- Recuperar resultados históricos de laboratorio (tendencias de creatinina)
- Recopilar medicación activa
- Identificar factores de riesgo (uso de AINE + ERC)

Salida: Contexto clínico estructurado del paciente para el razonamiento

---

2. Agente de Guías

Rol: Buscar conocimiento clínico con RAG (Retrieval-Augmented Generation)

Acción:
- Consultar la base vectorial de IRIS con búsqueda semántica
- Encontrar secciones de guías relevantes (protocolos clínicos, etc.)
- Recuperar fragmentos de evidencia con coeficientes de similitud
- Proveer citas específicas de esas guías en las que basar las recomendaciones

Salida: Guía clínica basada en evidencia

---

3. Agente de Razonamiento

Rol: Sintetizar recomendaciones a partir de contexto + guías

Acción:
- Analizar tendencias de laboratorio (>30% de aumento = significativo)
- Identificar factores de riesgo (ERC + AINE + aumento progresivo)
- Aplicar reglas de decisión clínica
- Generar recomendaciones estructuradas con niveles de confianza

Salida: Evaluación de riesgo + plan de seguimiento accionable

---

¿Por Qué Multiagente en Lugar de Una Única Llamada a LLM?

Los flujos agénticos ofrecen:

✅ Mejor razonamiento estructurado — Cada agente tiene una responsabilidad enfocada
✅ Uso de herramientas — Los agentes consultan FHIR, buscan en bases vectoriales, analizan tendencias
✅ Cadenas de decisión explicables — Cada paso es trazable
✅ Separación de responsabilidades — Contexto ≠ Guías ≠ Razonamiento

Crítico: IRIS orquesta los agentes; CrewAI se usa como librería, no como plataforma. IRIS controla persistencia, orquestación, integración FHIR y trazas de auditoría.

---

🔄 Interoperability Production

El flujo se gestiona con tres tipos de componentes de IRIS:

• Servicio de Negocio (FHIRObservationIn)
  Se activa automáticamente cuando se hace POST de una Observation FHIR

• Proceso (FollowUpAI)
  Orquesta un flujo de tres pasos:

  1. Llamar al servicio de agentes
  2. Persistir resultados en SQL
  3. Publicar DiagnosticReport

• Operaciones de Negocio

  • ClinicalAgenticOperation → llamada REST a FastAPI/CrewAI
  • ClinicalAiPersistence → escritura en tablas SQL
  • ClinicalReportPublisher → POST de DiagnosticReport FHIR

---

🔍 Explicabilidad: Justificar el Razonamiento de la IA

Uno de los aspectos más críticos de la IA clínica es explicar por qué se hizo una recomendación.

IRIS persiste todo en un modelo SQL mínimo y consultable:

• Cases — Qué pasó (paciente, observación, nivel de riesgo, confianza)
• CaseRecommendations — Qué hacer (tipo de acción, descripción, plazo)
• CaseEvidences — Por qué (citas de guías, puntajes de similitud, extractos de texto)

Consultas de Ejemplo

"¿Qué casos se evaluaron hoy?"

SELECT
  CaseId,
  PatientRef,
  RiskLevel,
  Confidence,
  ReasoningSummary
FROM clinicalai_data.Cases
WHERE CreatedAt >= CURRENT_DATE
ORDER BY CreatedAt DESC

Resultado:

CaseId: CSE-20260108-001
PatientRef: Patient/1 (Jose Garcia)
RiskLevel: medium-high
Confidence: high
ReasoningSummary: The patient with stage 3 chronic kidney disease and hypertension demonstrates a sustained and progressive increase in serum creatinine over 90 days...

---

"¿Por qué el agente recomendó revisar medicación nefrotóxica?"

SELECT
  e.GuidelineId,
  e.Similarity,
  e.Excerpt
FROM clinicalai_data.CaseEvidences e
WHERE e.CaseId = 'b344f121-db68-4cd6-8877-1855c3d547ff'
ORDER BY e.Similarity DESC

Resultado:

GuidelineId: ckd_creatinine_guideline_demo
Similarity: 0.66
Excerpt: "Recommended actions include repeat serum creatinine testing within 7–14 days, review of current medications for nephrotoxicity, assessment of contributing factors, and close monitoring of renal function."

---

Cada recomendación tiene:
- El contexto clínico utilizado
- Las guías consultadas
- Los coeficientes de similitud que muestran relevancia
- La cadena de razonamiento desde datos hasta decisión

Puedes responder "¿Por qué la IA recomendó esto?" con consultas SQL y citas de evidencia.

---

🩺 Publicar Resultados como FHIR DiagnosticReport

El paso final cierra el ciclo: las salidas de IA pasan a formar parte del registro clínico.

El sistema publica un DiagnosticReport FHIR que contiene:

• Subject: referencia del paciente (Jose Garcia)
• Result: enlace a la Observation que disparó el flujo (creatinina 2.1)
• Conclusion: nivel de riesgo + resumen de razonamiento
• PresentedForm: recomendaciones legibles por humanos (codificadas en Base64)
• Extensions: ID del caso, puntaje de confianza, metadatos del modelo

Esto hace que la salida de IA sea:
- Interoperable — Recurso FHIR estándar
- Consumible — Accesible vía API FHIR por EHRs, portales y apps
- Auditable — Parte del registro clínico permanente
- Consultable — GET /DiagnosticReport?result=Observation/14

El DiagnosticReport no es una salida separada de "sistema de IA"; es un documento clínico de primera clase que sigue los mismos estándares que reportes de laboratorio y hallazgos de radiología.

---

🚀 Pruébalo

Inicio Rápido (15 minutos):

1. Clona el repositorio

   git clone https://github.com/intersystems-ib/iris-health-fhir-agentic-demo
   cd iris-health-fhir-agentic-demo
   

2. Inicia el contenedor de IRIS

   docker-compose up -d
   

3. Carga datos de paciente de ejemplo (José García con historial de ERC)
   Sigue las instrucciones de setup en el README

4. Ejecuta la UI de Gradio

   python run_ui.py
   

   Abre el navegador en http://localhost:7860

5. Haz POST de un valor de laboratorio anormal y observa:

   • Progreso de agentes en tiempo real
   • Recuperación de evidencia desde la base de datos vectorial
   • Recomendaciones generadas con coeficientes de confianza
   • Consultas a la traza SQL de auditoría

6. Consulta los resultados con IRIS SQL Explorer o Management Portal

💬 ¿Preguntas o feedback? Responde a esta publicación; me encantaría conocer tus casos de uso.

---

🎯 Qué Has Aprendido

Si llegaste hasta aquí, ahora entiendes cómo:

✅ Disparar flujos de IA desde eventos FHIR — Sin inicio manual
✅ Orquestar sistemas multiagente con CrewAI — Agentes de Contexto, Guías y Razonamiento
✅ Construir IA explicable con trazas SQL de auditoría — Cada decisión es trazable
✅ Publicar salidas de IA como recursos FHIR — Documentos clínicos interoperables
✅ Integrar IA agéntica con IRIS Interoperability — Orquestación lista para producción

---

🔮 Más Allá de Resultados de Laboratorio: ¿Qué Más Puedes Automatizar?

Este patrón aplica a muchos escenarios clínicos:

• Alertas de conciliación de medicamentos — Detectar interacciones o contraindicaciones
• Identificación de brechas de atención — Cribados según edad, condiciones y guías clínicas
• Disparadores de estratificación de riesgo — Identificar pacientes de alto riesgo para intervención
• Selección de candidatos para ensayos clínicos — Encontrar pacientes elegibles por criterios de inclusión

La arquitectura es la misma: evento → contexto → evidencia → razonamiento → acción.

---

🚀 Conclusión

Este ejemplo muestra cómo la IA agéntica puede integrarse de forma segura y efectiva en flujos clínicos reales usando InterSystems IRIS for Health.

Al combinar:
- Interoperabilidad dirigida por eventos — Reacción automática a eventos clínicos
- Razonamiento agéntico — Colaboración multiagente con uso de herramientas
- Persistencia SQL — Trazas completas y auditoría
- Salidas nativas FHIR — Documentos clínicos

Pasamos de experimentos de IA a IA clínica de nivel plataforma.

Siguientes Pasos:

⭐ Marca el repo con una estrella: https://github.com/intersystems-ib/iris-health-fhir-agentic-demo

🧪 Prueba la demo con tus propias guías clínicas

💬 Comparte tu caso de uso — ¿Qué evento clínico automatizarías primero?