Aplicacion Web Asistida por Inteligencia Artificial para la Gestion de Indicadores y Generacion de Reportes en el Proceso de Referencia y Contrarreferencia de una EPS Indıgena
No Thumbnail Available
Date
2026
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
La fragmentación de la información y la persistencia de procesos manuales en el flujo de referencia y contrarreferencia (RyC) representan una barrera significativa para la continuidad de la atención en las entidades promotoras de salud (EPS) de Colombia. Este artículo presenta el diseño, desarrollo y validación de una aplicación web asistida por inteligencia artificial (IA) orientada a automatizar el cálculo de indicadores de gestión (KPI) y la generación de reportes administrativos en DUSAKAWI EPSI, una entidad promotora de salud indígena. La solución se construyó bajo una arquitectura cliente-servidor de tres capas, integrando un cliente web en Next.js/React, un backend REST en Node.js/Express/TypeScript desplegado en Oracle Cloud Infrastructure, una base de datos relacional PostgreSQL institucional y un motor de generación de análisis en lenguaje natural basado en modelos Gemini (Google AI Studio), con OpenRouter como mecanismo de respaldo (fallback). Se documentan de forma exhaustiva los modelos de arquitectura, componentes, despliegue, casos de uso, comportamiento dinámico (actividades y secuencia) y el algoritmo de generación de análisis mediante IA que sustentan el diseño del sistema. Se aplicó un enfoque de investigación mixto, con un modelo de prototipado evolutivo y un proceso de aseguramiento de calidad basado en análisis estático iterativo con SonarQube conforme a ISO/IEC 25002:2024 e ISO/IEC/IEEE 29119-1:2022. Los resultados de validación evidenciaron una reducción del tiempo de generación de indicadores y reportes de un rango de una a dos semanas (proceso manual) a aproximadamente cuatro minutos con el sistema desarrollado, así como una correspondencia prácticamente exacta entre los cálculos automatizados y los cálculos manuales de referencia (diferencia de 0.03 horas, atribuible al redondeo), una reducción del 97.9% en la tasa de error frente al proceso manual sobre una muestra de 200 registros, y un cumplimiento del 98.0% en la validación de calidad de las interpretaciones generadas por el componente de IA mediante una rubrica de cinco criterios aplicada a diez casos. La evaluación de calidad del software mostro calificaciones A en seguridad, confiabilidad y mantenibilidad, con coberturas de pruebas de 84.8% (backend) y 81.4% (frontend) en la versión final, y la encuesta de satisfacción aplicada a la usuaria principal confirmó una percepción favorable de la herramienta. Los hallazgos sugieren que la integración de modelos de lenguaje de gran escala con arquitecturas de datos híbridas, bajo un principio explícito de minimización de datos, constituye una estrategia viable para fortalecer la gestión de información en instituciones de salud con recursos tecnológicos limitados.
Abstract
Information fragmentation and the persistence of manual processes in referral and counter-referral (R&C) work flows represent a significant barrier to continuity of care within healthcare provider entities (EPS) in Colombia. This article presents the design, development, and validation of an artificial intelligence (AI)-assisted web application aimed at automating management indicator (KPI) calculations and administrative report generation at DUSAKAWI EPSI, an indigenous healthcare provider entity. The solution was built under a three-tier client server architecture, integrating a web client in Next.js/React, a
REST backend in Node.js/Express/TypeScript deployed on Oracle Cloud Infrastructure, an institutional PostgreSQL relational database, and a natural language analysis generation engine based on Gemini models (Google AI Studio), with OpenRouter as a fallback mechanism. The models for architecture, components, deployment, use cases, dynamic behavior (activity and sequence diagrams), and the AI-driven analysis generation algorithm underlying the system design are comprehensively documented.
A mixed-methods research approach was applied, incorporating an evolutionary prototyping model and a quality assurance process based on iterative static analysis with SonarQube in compliance with ISO/IEC 25002:2024 and ISO/IEC/IEEE 29119 1:2022. Validation results demonstrated a reduction in indicator and report generation time from a range of one to two weeks (manual process) to approximately four minutes using the developed system, as well as a virtually exact alignment between automated calculations and manual reference calculations (0.03 hour difference, attributable to rounding), a 97.9% reduction in the error rate compared to the manual process over a sample of 200 records, and a 98.0% compliance score in the quality validation of AI-generated interpretations evaluated through a five-criterion rubric across ten test cases. Software quality evaluation yielded Grade A ratings in security, reliability, and maintainability, with test coverage reaching 84.8% (backend) and 81.4% (frontend) in the final version, while the satisfaction survey administered to the primary user confirmed a favorable perception of the tool. The findings suggest that integrating large language models with hybrid data architectures, under an explicit data minimization principle, constitutes a viable strategy to strengthen information management in healthcare institutions operating under limited technological resources.