Prevención clínica basada en IA

BeWell AI transforma datos clínicos en decisiones accionables para salud mental, metabólica y física.

Nuestro proyecto ataca un problema crítico: la detección tardía de riesgos clínicos en instituciones que evalúan a su población. Construimos una plataforma fullstack con IA, trazabilidad end-to-end y paneles por rol (admin, profesional y paciente), convirtiendo evaluaciones clínicas en monitoreo continuo, alertamiento temprano y priorización de atención.

ML API productiva Flujo clínico real Arquitectura por microservicios Enfoque SaaS multiinstitución
Probar plataforma Ver logros técnicos

Importancia y relevancia del problema

En el contexto institucional y de atención primaria, los riesgos de ansiedad, depresión, consumo de sustancias y deterioro metabólico suelen detectarse tarde. Esto impacta desempeño, calidad de vida y carga del sistema de salud.

Dolor operativo
Información dispersa en múltiples instrumentos y baja visibilidad para priorizar casos.
Riesgo clínico
Intervenciones reactivas cuando el deterioro ya es visible o persistente.
Necesidad real
Monitoreo continuo, triage inteligente y comunicación clara entre paciente y profesional.

Mérito técnico en IA: modelos entrenados y desempeño

BeWell AI no es solo una demo visual: integra entrenamiento, validación, selección y despliegue real de modelos por dominio clínico. Utilizamos CatBoost, LightGBM y Random Forest según el comportamiento de cada target.

Portafolio de modelos
  • Mental health: high_anxiety_risk, high_depression_risk.
  • Metabolic & lifestyle: cardiometabolic_risk, nutritional_risk, food_insecurity_level.
  • Physical & substance: musculoskeletal_risk, substance_use_risk.
  • Gobernanza técnica: descarte de modelos no estables y catalogación final por estado.
Resultados destacados del corte final
  • cardiometabolic_risk: AUROC ~0.95 (production_ready).
  • high_depression_risk: AUROC ~0.89 con buena sensibilidad global.
  • high_anxiety_risk: AUROC ~0.88 con calibración aplicada.
  • musculoskeletal_risk: fuerte recall para escenarios de detección temprana.

¿Qué hace innovador a BeWell AI?

Innovación técnica
  • Pipeline por etapas con trazabilidad cronológica de punta a punta.
  • Contrato estable entre entrenamiento, API de inferencia y backend clínico.
  • Top factors por resultado para interpretación clínica inmediata.
  • Importación masiva (Excel) + predicción + persistencia en base de datos.
Innovación de producto
  • Paneles diferenciados por rol con analítica accionable en tiempo real.
  • Monitoreo organizacional para detectar cohortes de mayor riesgo.
  • Visualización de features dominantes para apoyar toma de decisiones.
  • Arquitectura preparada para expansión a nuevos instrumentos y protocolos clínicos.

Avance de implementación logrado

Del procesamiento de datos al despliegue funcional del sistema completo.

Fase 1 — Definición de framework: estructuración por targets, codebook y estandarización de variables.
Fase 2 — Preprocesamiento y optimización: limpieza robusta, manejo avanzado de faltantes, split clínico 70/15/15.
Fase 3 — Entrenamiento y validación: selección de algoritmos por target, calibración, revisión de estabilidad y descarte técnico de modelos débiles.
Fase 4 — API ML y backend: contrato de inferencia, validaciones, guardado de resultados y top_factors.
Fase 5 — Frontend completo: dashboards de admin/profesional/paciente, monitoreo visual, búsqueda clínica e insights de features.

Visión SaaS: escalable a múltiples instituciones

Diseñamos BeWell AI como un software as a service para instituciones que realizan evaluaciones clínicas: universidades, clínicas privadas, centros comunitarios, redes de salud ocupacional y programas de medicina preventiva.

Modelo multi-tenant
Aislamiento por organización, control de acceso por rol y trazabilidad por institución.
Integración operativa
Importación de evaluaciones por lotes, predicción masiva y dashboards listos para comités clínicos.
Escalabilidad técnica
Servicio de inferencia desacoplado, catálogo de modelos versionado y despliegue incremental por institución.

Arquitectura del sistema

Frontend
HTML/CSS/JS + Chart.js con paneles por rol, navegación por secciones, insights y visualizaciones clínicas.
Backend
Node.js + Express + Supabase/PostgreSQL para auth, importaciones, dashboards, trazabilidad y persistencia de resultados.
ML Service
FastAPI con modelos versionados, contrato único de inferencia y entrega de `prediction`, `probability`, `risk_level`, `top_factors`.

Agradecimientos

Agradecemos profundamente a la Clínica Susalud por permitir el uso de sus datos para el entrenamiento de los modelos, y por el acompañamiento experto de la Dra. Beatriz Adriana Aguilar Galarza y de Ing. Carmen Karina Rendón Mancha. Su apoyo fue clave para convertir este desarrollo en una solución con valor clínico real.