Cómo CodeBranch Construyó un Asistente Clínico de IA para Atención de Emergencias — De Cero a MVP en Producción

Las salas de emergencias funcionan a toda velocidad. Cada minuto entre la llegada de un paciente y el momento en que un clínico tiene la información correcta frente a él tiene consecuencias clínicas. El desafío para el equipo que llegó a CodeBranch no era construir un sistema de IA — era construir uno que pudiera operar de manera confiable dentro de las restricciones de la atención de emergencias: datos reales de pacientes, requisitos reales de cumplimiento y equipos clínicos que no tienen margen para herramientas que los ralenticen.

Así es como CodeBranch lo construyó.

Resumen Rápido

• El desafío de la atención de emergencias no era la velocidad — era construir un sistema de IA lo suficientemente confiable para operar con datos reales de pacientes dentro de un flujo de trabajo clínico donde los errores tienen resultados directos en los pacientes
• CodeBranch secuenció la arquitectura de cumplimiento antes de que se escribiera cualquier línea de código, usando una fase de Definición de Producto para mapear flujos de datos, restricciones de HIPAA y modos de falla
• El stack tecnológico — LangGraph, FastAPI, PostgreSQL con pgvector y un pipeline de CI/CD con puertas de calidad automatizadas — fue seleccionado para cumplir simultáneamente con los requisitos de rendimiento clínico y cumplimiento
• El desarrollo agéntico entregó una velocidad de sprint 5x y una reducción del 85% en rechazos de QA, permitiendo que el MVP se lanzara antes de lo programado con alcance adicional más allá del brief original

El Desafío: La Atención de Emergencias Funciona con Información — y el Sistema No Estaba al Nivel

Los departamentos de emergencias manejan un tipo específico de complejidad para el cual la mayoría del software no está construido. Los datos del paciente llegan de múltiples fuentes simultáneamente. Las decisiones clínicas ocurren en minutos. Y el costo de un error de documentación — una bandera faltante, un caso mal clasificado — no es un ticket de soporte. Es un resultado para el paciente.

El cliente llegó con un problema claro: sus equipos clínicos estaban dedicando demasiado tiempo navegando información fragmentada en lugar de actuar sobre ella. El flujo de trabajo existente creaba fricción exactamente en los momentos cuando la fricción es más peligrosa — cuando un médico necesita contexto rápido y el sistema lo obliga a buscarlo.

Lo que necesitaban no era un dashboard ni una herramienta de reportes. Necesitaban un asistente de IA que pudiera presentar la información correcta, en el momento correcto, en un formato que un clínico bajo presión pudiera realmente utilizar. Y necesitaba operar dentro de su entorno existente — no reemplazarlo.

Nuestro Enfoque: Arquitectura de Cumplimiento Primero, Velocidad Después

La primera decisión no fue técnica — fue de secuenciamiento. En software de salud, los equipos que construyen rápido y añaden cumplimiento después consistentemente terminan reconstruyendo. CodeBranch trata los requisitos de cumplimiento como inputs arquitectónicos desde el primer sprint, no como una lista de verificación al final.

Antes de que se escribiera una línea de código, CodeBranch ejecutó una fase de Definición de Producto que mapeó tres cosas:

• Los flujos de datos: qué información del paciente accedería el sistema, dónde residía, cómo se movería entre componentes y a dónde nunca iría
• Las restricciones de cumplimiento: patrones de manejo relevantes para HIPAA, arquitectura de control de acceso, requisitos de cifrado y registro de auditoría
• Los modos de falla: qué sucede cuando la IA produce output incierto, cómo el sistema escala a revisión humana y cómo luce la ruta de anulación para el equipo clínico

Ese secuenciamiento es lo que hizo posible el resto de la construcción a velocidad.

El stack tecnológico reflejó esas decisiones:

• LangGraph — para orquestar el flujo de trabajo de razonamiento de IA de múltiples pasos. La arquitectura basada en grafos de LangGraph hizo posible definir nodos explícitos para cada etapa del proceso de decisión del asistente, con puntos de transferencia claros donde se requiere revisión humana. En un contexto clínico, esa explicabilidad no es una preferencia de diseño — es un requisito de cumplimiento.
• FastAPI — para la capa de backend. El rendimiento importa en la atención de emergencias. La arquitectura asíncrona de FastAPI mantuvo los tiempos de respuesta dentro de las tolerancias que los flujos de trabajo clínicos requieren.
• PostgreSQL con pgvector — para almacenar y consultar datos clínicos con capacidad de búsqueda semántica. El sistema necesitaba presentar contexto relevante del paciente a partir de datos no estructurados — no solo recuperar registros por ID.
• Pipeline de CI/CD con puertas de calidad de código — cada commit pasó por verificaciones de calidad automatizadas antes de llegar a cualquier entorno que tocara datos de pacientes. Las reglas de agentes detectaban patrones relevantes para HIPAA y violaciones arquitectónicas a nivel de pipeline.

La metodología de desarrollo de software agéntico que aplica CodeBranch significa que esas puertas de calidad no son revisiones manuales — se ejecutan automáticamente en cada pull request. En un entorno regulado, esa es la diferencia entre el cumplimiento como cuello de botella y el cumplimiento como restricción incorporada.

Lo que CodeBranch Construyó: Un Asistente Clínico que Funciona Dentro del Flujo de Trabajo de Emergencias

El sistema que CodeBranch entregó es un asistente clínico impulsado por IA diseñado para operar en el punto de atención — presentando contexto relevante del paciente, apoyando la documentación clínica y señalando casos que requieren atención inmediata, todo dentro del entorno clínico existente.

Los componentes principales:

• Interfaz de IA conversacional — los clínicos interactúan con el asistente en lenguaje natural. El sistema interpreta consultas, recupera datos relevantes del paciente y devuelve respuestas estructuradas en un formato que coincide con los estándares de documentación clínica. No requiere capacitación.
• Capa de recuperación semántica — construida sobre PostgreSQL con pgvector, el sistema consulta registros de pacientes usando similitud semántica en lugar de coincidencia por palabras clave — una capacidad central de machine learning. Un clínico que pregunta sobre el historial respiratorio reciente de un paciente obtiene contexto relevante incluso cuando la documentación usa terminología diferente.
• Pipeline de razonamiento multi-agente — LangGraph orquesta una secuencia de agentes de IA que manejan diferentes etapas del flujo de trabajo clínico: recuperación de contexto, razonamiento, formateo de output y lógica de escalamiento. Cada etapa tiene inputs y outputs explícitos, haciendo que el comportamiento del sistema sea auditable.
• Arquitectura de escalamiento y anulación — cuando el sistema produce output con baja confianza, señala la respuesta y la dirige a revisión humana. El equipo clínico siempre tiene visibilidad sobre lo que el asistente considera incierto.

¿Cómo Cambió el Desarrollo Agéntico lo que el Equipo Pudo Entregar?

La industria de software de salud tiene un problema de entrega. Los proyectos que necesitan ser tanto rápidos como rigurosos — cumplientes, auditables, listos para producción — consistentemente se extienden. El tradeoff estándar es: moverse rápido y arreglar el cumplimiento después, o moverse cuidadosamente y perder el cronograma.

El pipeline de desarrollo agéntico de CodeBranch elimina ese tradeoff. Los agentes de codificación de IA manejaron la ejecución a lo largo del stack de desarrollo de forma concurrente — generando código, ejecutando pruebas automatizadas y auditando output contra los estándares arquitectónicos definidos en la fase de Definición de Producto. Los desarrolladores humanos se enfocaron en la arquitectura, la lógica del flujo de trabajo clínico y las decisiones que requieren juicio que ningún agente puede replicar.

Los resultados fueron medibles:

La reducción del 85% en rechazos de QA importa específicamente en salud porque los defectos en etapas tardías en software clínico no solo son costosos de corregir — pueden retrasar el despliegue de maneras que tienen consecuencias directas en la atención al paciente. Detectar defectos a nivel de pipeline, antes de la revisión humana, significa que la función de QA se enfoca en casos que realmente requieren juicio clínico — no en filtrar errores prevenibles.

Para el desarrollo de software de salud, este es el argumento a favor de la metodología agéntica: no se trata solo de velocidad. Se trata de entregar un sistema cumpliente, auditable y listo para producción dentro de un cronograma que haga el proyecto económicamente viable para el cliente.

Lo que CodeBranch Aprendió — y lo que Haríamos de la Misma Manera Otra Vez

La calidad de las especificaciones es la restricción limitante en el desarrollo agéntico de salud. A una velocidad de entrega de 5x, el pipeline se mueve más rápido de lo que la mayoría de los equipos esperan. Un requisito vago no ralentiza a los agentes — los detiene, o peor, produce output que tiene que ser reconstruido.

En la atención de emergencias, donde el flujo de trabajo clínico es específico y los requisitos de cumplimiento son innegociables, la fase de Definición de Producto no es sobrecarga opcional. Es lo que hace posible la velocidad.

Las pruebas beta interfuncionales deberían comenzar antes de lo que se siente cómodo. Las pruebas beta internas con equipos médicos interfuncionales revelaron brechas en el flujo de trabajo que ninguna cantidad de revisión de ingeniería habría detectado — no porque el sistema estuviera mal, sino porque los usuarios clínicos interactúan con las herramientas de manera diferente a como los equipos de ingeniería lo modelan. Comenzar las pruebas beta antes de que el sistema se sienta “listo” produce mejor retroalimentación y menos sorpresas en etapas tardías.

La arquitectura de cumplimiento no ralentiza la construcción — la enfoca. Los equipos que tratan el cumplimiento como una lista de verificación final consistentemente reconstruyen más que los equipos que lo tratan como una restricción desde el inicio. Definir patrones de manejo de datos relevantes para HIPAA, arquitectura de control de acceso y requisitos de registro de auditoría en la fase de Definición de Producto no añadió tiempo a este proyecto.

Eliminó decisiones que de otro modo habrían aparecido a mitad del sprint y perturbado el pipeline.

La arquitectura de escalamiento es un mecanismo de confianza, no un respaldo. Construir rutas de escalamiento explícitas — puntos claros donde el sistema dirige output incierto a revisión humana — no fue principalmente una decisión de cumplimiento. Es lo que dio confianza al equipo clínico beta en el sistema.

Los clínicos confían en herramientas de IA que son transparentes sobre su incertidumbre mucho más que en herramientas que siempre producen una respuesta. Esa confianza es lo que impulsa la adopción.

Puede explorar los detalles completos del proyecto en nuestro caso de estudio del Asistente Clínico de IA para Atención de Emergencias.

Escrito por el equipo de CodeBranch — Medellín, Colombia. CodeBranch se especializa en desarrollo de software agéntico para empresas del sector salud. codebranch.co