Optimización Inteligente en la gestión de casos para Telemedicina

Abstract

Este trabajo de suficiencia profesional describe la implementación de un sistema de optimización inteligente en la gestión de casos para la prestación de telemedicina en una compañía. El crecimiento acelerado del sector ha constituido una mayor carga de solicitudes médicas, lo que exige una gestión eficiente para garantizar tiempos de respuesta adecuados y una atención de calidad. Anteriormente, los casos eran asignados manualmente por los especialistas en triaje, lo que conllevaba un mayor trabajo operativo. Esta condición reducía la eficiencia del proceso y podría generar retrasos en la atención. Como resultado, la experiencia del paciente se veía posiblemente afectada. La solución desarrollada integra un modelo de lenguaje grande (LLM) experto en casos clínicos, denominado "Welfare", desarrollado intrínsecamente para procesamiento de lenguaje natural (PLN). Este modelo clasifica automáticamente los casos mediante una escala de triaje de 1 (no urgente) a 5 (emergencia). La arquitectura del sistema, basada en tecnologías como Vue.js, Amazon Web Services, Firebase y Python, asegura escalabilidad y cumplimiento de la Ley Peruana N° 29733 de Protección de Datos Personales por medio de anonimización de historiales clínicos. Gracias a este sistema, se logró reducir un 40% el tiempo promedio de asignación de casos urgentes y alcanzar un 90% de precisión en derivaciones a especialistas, lo cual fue verificado mediante pruebas A/B con registros históricos de la empresa.

This professional sufficiency project describes the implementation of an intelligent optimization system for ticket management in the provision of telemedicine services within a company. The rapid growth of the sector has resulted in a higher volume of medical requests, requiring efficient management to ensure appropriate response times and quality care. Previously, cases were manually assigned by triage specialists, which involved greater operational workload. This condition reduced the efficiency of the process and could cause delays in care. As a result, the patient experience was potentially affected. The developed solution integrates a large language model (LLM) specialized in clinical cases, named "Welfare," developed internally for natural language processing (NLP). This model automatically classifies cases using a triage scale from 1 (non-urgent) to 5 (emergency). The system architecture, based on technologies such as Vue.js, Amazon Web Services, Firebase, and Python, ensures scalability and compliance with Peruvian Law No. 29733 on Personal Data Protection through anonymization of clinical records. Thanks to this system, the average time for urgent case assignment was reduced by 40%, and a 90% accuracy in referrals to specialists was achieved, which was verified through A/B testing with the company's historical records.