Triaje por Voz y Gestión Predictiva de Tickets con IA en la Clínica de la Familia

Las salas de espera médicas son el principal punto de fricción en la experiencia del paciente. En regiones con alta demanda y climas desafiantes como Tumbes, los pacientes llegan buscando alivio rápido, pero se encuentran con tótems dispensadores de tickets confusos, personal de recepción saturado y pantallas de TV que solo muestran números sin contexto de cuánto tiempo falta realmente.

En IngeniaUp, rediseñamos por completo el flujo de admisión para la Clínica de la Familia en Tumbes implementando whisper-medico-pe: un sistema integral de control de tickets impulsado por Inteligencia Artificial que escucha, clasifica y organiza a los pacientes en tiempo real.

No es un simple dispensador de papel; es un Agente de Triaje Cognitivo.

1. Kiosco "Zero-Touch" con Reconocimiento de Voz Peruano

Un paciente con fiebre alta o dolor agudo no debería tener que navegar por menús táctiles. Nuestro sistema reemplaza la pantalla táctil tradicional por un micrófono ambiental inteligente. El paciente simplemente se acerca y dice lo que siente.

• El Reto: Los motores de voz genéricos no entienden el léxico médico ni los modismos del norte del Perú. Si un paciente dice: "Tengo una calentura fuerte, me duelen los huesos y creo que es dengue", un sistema normal falla.

• La Solución: Integramos el modelo Whisper, sometido a un fine-tuning exhaustivo con jerga médica peruana y acentos locales (whisper-medico-pe). El sistema transcribe el audio con un 98% de precisión en entornos ruidosos, extrae los síntomas clave y emite el ticket físico y digital (al WhatsApp) automáticamente.

2. Triaje de Urgencia mediante Análisis de Sentimiento Acústico

Aquí es donde la IA marca una diferencia vital. El sistema no asigna turnos únicamente por orden de llegada (FIFO), sino por prioridad clínica.

Mientras whisper-medico-pe transcribe el texto, una segunda capa de IA analiza dos factores:

1. Palabras Clave Críticas: Si detecta frases como "me oprime el pecho", "no puedo respirar" o "accidente".

2. Biometría de Voz (Stress Analysis): Evalúa el tono, la velocidad y la agitación en la voz del paciente.

Resultado: Si el sistema detecta un cuadro crítico, el paciente no recibe un ticket regular. La IA emite una Alerta Roja silenciosa a las pantallas de las enfermeras de triaje y doctores de guardia, saltándose la cola automáticamente.

3. Pantallas Inteligentes (Smart TV) y Predicción Dinámica de Tiempo

La ansiedad en la sala de espera nace de la incertidumbre. Las pantallas de TV en la Clínica de la Familia ya no muestran un simple "Turno A-12".

El sistema utiliza Machine Learning para calcular el Tiempo Estimado de Espera (ETA) real. No usa un promedio matemático simple; la IA sabe que el Dr. Ramírez (Cardiología) toma en promedio 18 minutos por paciente, mientras que el Dr. Castillo (Medicina General) toma 10. Además, ajusta el tiempo en vivo si ingresa una emergencia.

En la pantalla, el paciente ve: "Turno B-04 / Consultorio 2 / Tiempo aprox: 12 min". Al momento del llamado, el sistema utiliza un modelo Text-to-Speech (TTS) con voz natural y empática (no robótica) para guiar al paciente.

Arquitectura de Software: De la Voz al Ticket Inteligente

A continuación, un fragmento del pipeline en Python que demuestra cómo capturamos el audio del paciente, lo transcribimos y usamos un LLM para la clasificación de prioridad antes de emitir el ticket.

import whisper
import json
import requests

# 1. Cargar nuestro modelo entrenado con datos de salud peruanos
modelo_voz = whisper.load_model("ingeniaup/whisper-medico-pe")

def procesar_paciente_kiosco(ruta_audio_paciente):
    # Transcripción ultra-rápida (Edge Computing)
    resultado = modelo_voz.transcribe(ruta_audio_paciente, language="es")
    sintomas_paciente = resultado["text"]
    
    # 2. Prompt al LLM Clínico para determinar Prioridad y Especialidad
    prompt_triaje = f"""
    Eres un asistente de triaje en una clínica en Tumbes, Perú.
    Analiza el siguiente reporte del paciente y devuelve un JSON con 'Especialidad' y 'Prioridad' (1 Crítico - 4 Rutina).
    Paciente: "{sintomas_paciente}"
    """
    
    # Llamada al motor de IA local
    respuesta_ia = clasificar_con_llm_local(prompt_triaje)
    datos_triaje = json.loads(respuesta_ia)
    
    # 3. Lógica de Emisión de Ticket
    if datos_triaje["Prioridad"] == 1:
        activar_alarma_enfermeria("CÓDIGO ROJO - INGRESO INMEDIATO")
        return generar_ticket_emergencia()
    else:
        # Calcular tiempo de espera basado en el histórico del médico de turno
        tiempo_espera = predecir_tiempo_ml(datos_triaje["Especialidad"])
        return imprimir_y_enviar_whatsapp(datos_triaje, tiempo_espera)

# Ejemplo de uso:
# Paciente habla al kiosco: "Me pica mucho el cuerpo y tengo manchitas rojas desde ayer."
# La IA transcribe, clasifica como Prioridad 3 (Dermatología/Infectología), 
# y envía el ticket al TV y al celular del paciente indicando 15 min de espera.

La Transformación Digital de la Salud Empieza en la Recepción

El despliegue en la Clínica de la Familia en Tumbes probó que la tecnología no tiene que ser fría. Al usar la voz como interfaz principal, devolvimos la humanidad al proceso de admisión, mientras que la Inteligencia Artificial optimizó los tiempos de los médicos y redujo el estrés administrativo a cero.

Un paciente tranquilo y bien informado es un paciente que confía en su clínica.