Hospital Chile

El cliente presta servicio de procesamiento de informes radiológicos a una red de hospitales y clínicas chilenas que emiten mensajes HL7 a múltiples instituciones hospitalarias.

La ingesta y el procesamiento tenían tres puntos de fricción serios:

1. Parsing HL7 frágil. Los mensajes v2.5 llegaban con separadores inconsistentes (\n, \r, \r\n mezclados en el mismo mensaje), segmentos OBX multilínea y contenido HTML embebido (<p>, <strong>, <br />, entidades como ®,  ). El parser inicial rompía los segmentos OBX 2–4 en reportes complejos.

2. Sin corrección clínica automatizada. Incongruencias de género anatómico (ej. "próstata" descrita en paciente femenina), errores ortográficos, contradicciones de lateralidad y secciones duplicadas pasaban al informe final sin revisión.

3. Gestión manual de patologías críticas. Cuando una institución reportaba una patología crítica, la coordinación se hacía por email manual. No había escalado automático si no respondía el contacto, ni trazabilidad de confirmación.

Arquitectura basada en n8n como orquestador. Justificaciones clave:

• n8n en lugar de un servicio propio en código. La lógica de integración varía por hospital y debe modificarse sin redeploy. Los sub-workflows se ajustan en caliente.
• Clasificación por posición de segmento OBX en lugar de análisis de contenido. Más robusta ante variaciones de redacción hospital a hospital.
• Agente IA con prompt clínico especializado. Detecta incongruencias anatómicas por género, ortografía, lateralidad y consistencia entre secciones. Devuelve JSON estructurado; los campos originales se conservan y solo se sobrescriben los corregidos.
• Sistema de avisos con escalado temporal. Tabla avisos + contactos_emergencia + log_avisos, con reintentos en 0h, 2h, 6h, 12h, 24h y 48h, cortándose en cuanto se confirma lectura.
• Campo tipo_informe desde OBX-11 (F = final, I = inicial) para que el pipeline posterior distinga informes definitivos de preliminares.

Fase 1. Ingesta HL7 robusta. Construcción del parser HL7 tolerante a separadores mezclados y OBX multilínea. Limpieza de HTML embebido y entidades. Mapeo a estructura canónica. Pruebas con mensajes reales de múltiples hospitales y modalidades.

Fase 2. Corrección clínica con IA. Integración de un agente de IA con prompt especializado para validar coherencia de género anatómico, ortografía, lateralidad y consistencia interna del informe.

Fase 3. Patologías críticas. Diseño e implementación del sistema de avisos: llamada inmediata, cascada de WhatsApp con reintentos programados y corte automático al confirmar.

10+ hospitales chilenos integrados vía HL7 con un único pipeline.

Corrección clínica con IA aplicada sobre cada informe antes de persistencia, con separación clara entre texto original y errores detectados (sin "contaminar" el informe clínico con marcas).

Sistema de alertas críticas con cinco reintentos escalados y trazabilidad completa en log_avisos (qué se envió, cuándo, por qué canal, y quién/cuándo confirmó).

Arquitectura modular en n8n: la ingesta, la limpieza, la corrección IA y las alertas son sub-workflows independientes que se pueden tocar por separado.