La Inteligencia Artificial (IA) es la simulación de los procesos de la inteligencia humana por parte de las máquinas, especialmente de los sistemas computacionales. Estos procesos incluyen el aprendizaje (la adquisición de información y las normas para utilizarla), el razonamiento (el uso de normas para llegar a conclusiones aproximadas o definitivas) y la autocorrección.
Durante el último año ha habido varios artículos en DC que ofrecen servidores MCP diseñados para conectarse a IRIS y ayudar a que las funciones de IA de VS Code y sus derivados funcionen mejor. Por ejemplo:
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.
Os voy a dar un consejo rápido de como implementar un agente IA para realizar búsquedas en la documentación de Intersystems integrado en Teams.
Si, ya se que la página de la documentación tiene su propio buscador IA y es bastante eficaz, pero de esta forma tendríamos un acceso más rápido, sobre todo si Teams es la herramienta corporativa de tu empresa.
También se puede crear otro agente IA para realizar búsquedas en los artículos publicados en la comunidad de desarrolladores (que también tiene su buscador IA integrado).
¡Sí sí! ¡Adelante! No os habéis equivocado, estáis en vuestra querida Comunidad de Desarrolladores de InterSystems en español.
Os preguntaréis a qué viene el título de este artículo, pues muy sencillo, hoy estamos aquí reunidos para honrar al Inquisidor y elogiar la gran labor desempeñada por el mismo.
Y bien, ¿quién o qué es el Inquisidor?
Perfecto, ahora que he captado vuestra atención, es momento de explicar que es el Inquisidor.
En el artículo anterior vimos cómo construir un agente de IA de atención al cliente con smolagents e InterSystems IRIS, combinando SQL, RAG con búsquedas vectoriales e interoperabilidad.
En ese caso, utilizamos modelos en la nube (OpenAI) para el LLM y los embeddings.
En esta ocasión daremos un paso más: ejecutar el mismo agente, pero con modelos locales gracias a Ollama.
Las preguntas de atención al cliente pueden abarcar datos estructurados (pedidos, productos 🗃️), conocimiento no estructurado (docs/FAQs 📚) y otros sistemas integrados (actualizaciones de envío 🚚). En este post vamos a construir un agente de IA compacto que cubre los tres—usando:
🧠 Python + smolagents para orquestar el “cerebro” del agente
🧰 InterSystems IRIS para SQL, Búsqueda Semántica (RAG) e Interoperabilidad (una API de seguimiento de envío simulada)
Si es así, estás de suerte, te voy a enseñar cómo crear un agente para Copilot que te permitirá buscar información directamente en la documentación de IRIS. Es un proceso rápido y sencillo que te ayudará a agilizar tus búsquedas.
Además, la nueva versión de Office 365 incluye una versión gratuita de Copilot que puedes descargar y anclar fácilmente en Teams.
Ve al menú Aplicaciones, busca Copilot y haz clic en Agregar. En ese momento comenzará la instalación de Copilot dentro de Teams.
☤Brújula 🧭 de Cuidados 🩺 - Prueba de concepto - Participación para el Concurso
Presentación de Brújula de Cuidados: Priorización de casos impulsada por IA para Servicios Humanos
En el panorama actual de la atención sanitaria y los servicios sociales, los trabajadores sociales se enfrentan a desafíos abrumadores. Altas cargas de trabajo, sistemas fragmentados y datos desconectados suelen dar lugar a oportunidades perdidas para intervenir de forma temprana y eficaz. Esto provoca agotamiento en el personal y visitas evitables a urgencias, lo que genera costes elevados y podría haberse prevenido.
Aquellos interesados en explorar nuevos casos de uso de GenerativeAI.
Comparte ideas y razones al entrenar inteligencia artificial generativa para el reconocimiento de patrones.
Desafío 1 – Simple pero no más simple
Un desarrollador aspira a concebir una solución elegante para ciertos requerimientos. Los patrones de coincidencia (como las expresiones regulares) pueden resolverse de muchas maneras. ¿Cuál es la mejor solución en código? ¿Puede una IA postular una solución elegante de coincidencia de patrones para un rango de ejemplos que van de simples a complejos?
Acompañadnos el miércoles 25 de junio para descubrir soluciones innovadoras y reales creadas con InterSystems IRIS, IA, LLMs y tecnologías de agentes inteligentes, directamente de la mano de los desarrolladores que las hicieron posibles.
Este será un artículo muy corto ya que en abril de 2025, con Lovable y otras herramientas de Prompt-to-UI, se vuelve posible crear el frontend mediante indicaciones. Incluso para vosotros, que como yo, no estáis familiarizados en absoluto con las técnicas modernas de UI.
Bueno, al menos conozco las palabras javascript, typescript y ReactJS, así que en este artículo muy corto construiremos la interfaz de usuario en ReactJS para un servidor InterSystems FHIR con Lovable.ai.
¿Qué pasaría si pudierais hablar en un chat para comprobar qué sucede en Interoperabilidad, ver si hay errores e incluso resolver algunos tipos de problemas?
Con el servidor MCP, podéis conectar cualquiera de vuestros clientes MCP, por ejemplo, Claude, a IRIS y pedirle que revise la Interoperabilidad.
¡Acabo de caer en la cuenta de que nunca terminé esta serie de artículos!
En el artículo de hoy vamos a echar un vistazo a la producción que se encarga de extraer los diagnósticos en CIE-10 más similares a nuestro texto, de tal forma que podamos seleccionar la opción más adecuada desde nuestro frontend.
Buscando similitudes de diagnósticos:
Desde la pantalla que nos muestra las solicitudes de diagnósticos recibidas en HL7 en nuestra aplicación podremos buscar cuales son los diagnósticos CIE-10 más próximos al texto introducido por el profesional.
En este artículo, discutiré el uso de un LLM alternativo para la IA generativa. OpenAI es comúnmente utilizado, pero en este artículo os mostraré cómo usarlo y las ventajas de utilizar Ollama.
En el modelo de uso de IA generativa al que estamos acostumbrados, seguimos el siguiente flujo:
Tomamos textos de una fuente de datos (un archivo, por ejemplo) y los transformamos en vectores.
Almacenamos los vectores en una base de datos IRIS.
Llamamos a un LLM (Large Language Model) que accede a estos vectores como contexto para generar respuestas en lenguaje humano.
InterSystems ha estado a la vanguardia de la tecnología de bases de datos desde su creación, siendo pionera en innovaciones que superan constantemente a competidores como Oracle, IBM y Microsoft. Al centrarse en un diseño eficiente del núcleo y adoptar un enfoque sin concesiones en el rendimiento de los datos, InterSystems se ha hecho un hueco en las aplicaciones de misión crítica, garantizando fiabilidad, velocidad y escalabilidad.
Como podéis ver, el nuevo tema del concurso de programación es Agentes de IA.
Recientemente, este tema ha sido muy mencionado en Internet y tiene diferentes significados. Es posible que tengáis curiosidad sobre qué queremos decir con Agentes de IA en el contexto del concurso de programación de InterSystems.
Nos han desbordado las previsiones. Así que, ante el éxito de asistencia y todos los comentarios recibidos, os anuncio una nueva convocatoria extraordinaria del curso: Desarrollo de asistentes virtuales con RAG. ¡Mantenemos el precio promocional reducido! (plazas limitadas).
Para quien se hubiera perdido el anuncio de la primera convocatoria, repito lo que os comentaba. Se trata de un curso abierto a todo el que quiera iniciarse en el desarrollo de asistentes virtuales utilizando IA generativa y el patrón común RAG (Retrieval Augmented Generation).
🌍 Inclusión e Innovación en la Educación 🌍 Nuestro proyecto reimagina el aprendizaje para todos los estudiantes, con un enfoque en la accesibilidad y experiencias interactivas. Diseñado con el objetivo de hacer que la educación sea atractiva e inclusiva, esta herramienta está creada para apoyar a estudiantes de todas las habilidades en el aprendizaje de material complejo de forma intuitiva.
La inteligencia artificial generativa es una inteligencia artificial capaz de generar texto, imágenes u otros datos utilizando modelos generativos, a menudo en respuesta a indicaciones o "prompts". Los modelos de IA generativa aprenden los patrones y la estructura de sus datos de entrenamiento y luego generan nuevos datos con características similares.
La IA generativa es capaz de crear texto, imágenes y otros tipos de contenido.
Continuamos con esta serie de artículos sobre LLM y aplicaciones RAG y en este artículo trataremos la parte recuadrada en rojo del siguiente diagrama:
En el proceso de creación de una aplicación RAG tan importante es la elección de un modelo de LLM adecuado a tus necesidades (entrenado en la temática correspondiente, costes del mismo, velocidad, etc) como el tener claro el contexto que queremos proporcionarle. Empecemos definiendo el término para tener claro a que nos referimos con contexto.
¿Estáis listos para transformar vuestra organización de atención médica con el poder de la Inteligencia Artificial? Uníos a nosotros para un seminario web esclarecedor que os proporcionará el conocimiento y las herramientas necesarias para aprovechar la IA de manera efectiva en vuestra práctica.
Como ya sabréis, nuestra IA de la Comunidad de Desarrolladores lleva en marcha más de un mes 🎉 Esperamos que os haya picado la curiosidad lo suficiente como para probarla 😁 Si aún no lo habéis hecho, ¡no dudéis en hacerlo! De todas formas, como aún está en fase beta, nos interesa mucho saber qué opináis sobre ella, y estamos deseando escuchar vuestras opiniones y experiencias.
Como valoramos vuestro tiempo y esfuerzo, regalaremos un bonito premio a un miembro al azar de la Comunidad que comparta sus opiniones. Para participar en este sorteo, tenéis que seguir las directrices:
Con la introducción de los tipos de datos vectoriales y la funcionalidad de Vector Search en IRIS se nos abre todo un mundo de posibilidades para el desarrollo de aplicaciones y un ejemplo de estas aplicaciones es la que vi reciéntemente publicada un concurso público de la Consejería de Sanidad de Valencia en la que solicitaban una herramienta para ayudar en la codificación CIE-10 utilizando modelos de IA.
¿Cómo podríamos implementar una aplicación similar a la solicitada?
En el artículo anterior presentábamos la aplicación d[IA]gnosis desarrollada para el soporte a la codificación de diagnósticos en CIE-10. En este veremos como InterSystems IRIS for Health nos proporciona las herramientas necesarias para la generación de vectores a partir de la lista de códigos CIE-10 mediante un modelo pre-entrenado de lenguaje, su almacenamiento y la posterior búsqueda de similitudes sobre todos estos vectores generados.
.png)
.png)
.png)
.png)
