Octubre de 2025
Escenario ilustrativo: este artículo es un ejemplo compuesto, escrito para mostrar cómo se desarrolla un proyecto de este tipo. No describe a ningún cliente identificado por su nombre, y las cifras son ilustrativas.
El problema en este escenario
No voy a mentir: cuando empezamos este proyecto a principios de 2024, pensé que terminaríamos en seis meses. La fachada FHIR y el pipeline de oncología entraron en producción por fases desde mediados de 2024; la integración de atención social, la pieza más difícil, solo empezó a dar resultados en los últimos meses. Estamos ya a finales de 2025 y apenas ahora la red en su conjunto toma ritmo.
La red de salud de este escenario abarca tres grupos hospitalarios que atienden a unos 3,5 millones de personas. En el papel, se habían "fusionado" cinco años atrás. En la práctica, sus sistemas seguían totalmente aislados.
Esto es lo que significaba en concreto: una paciente mayor llega a urgencias tras una caída. El médico puede ver en el sistema de su hospital que es alérgica a la penicilina. Bien. Lo que no puede ver:
- La evaluación de seguridad del hogar que hicieron los servicios sociales dos semanas antes
- Que está recibiendo quimioterapia experimental en el centro oncológico al otro lado de la ciudad
- Los registros de su farmacia comunitaria, que muestran que en realidad no toma la mitad de sus medicamentos
Esto no es teórico. Lagunas como esta son habituales en redes sanitarias fusionadas, y los pacientes pueden sufrir daño cuando los registros no se comparten.
Por qué su configuración existente no funcionaba
Ya tenían infraestructura de integración... un motor de interfaces que procesaba millones de mensajes HL7 v2 al día. ¿El problema? Todo eran conexiones punto a punto y mensajería de tipo push.
Piense en esto: si alguien le envió un correo importante hace tres meses y quedó atrapado en su filtro de spam, esa información no existe para usted. Así funcionaban sus sistemas.
El mayor dolor de cabeza era conectar el departamento de atención social. Su integración "moderna" era un túnel VPN a medida que convertía archivos CSV en mensajes HL7. Tres desarrolladores tardaron dos meses en construirlo. Había 200 clínicas de atención primaria por conectar. Haga las cuentas.
El equipo de investigación lo tenía peor. Necesitaba datos específicos (tamaños de tumores, valores de biomarcadores), pero todo estaba encerrado en informes de patología en PDF. Alguien copiaba los datos a hojas de cálculo literalmente a mano.
Lo que construimos
La estrategia de fachada (o cómo no reemplazarlo todo)
La primera pregunta de todos: "¿Reemplazaron todos los sistemas antiguos?"
No. De ningún modo. Habría costado decenas de millones de dólares y años de trabajo.
En su lugar, construimos lo que se llama una fachada FHIR. Es un traductor que se coloca sobre las bases de datos antiguas. Los sistemas heredados se quedan exactamente donde están, pero ahora, cuando alguien hace una llamada de API moderna (como GET /Patient/12345), la fachada la traduce a la consulta SQL arcana o la búsqueda HL7 que el sistema antiguo necesite.
Esto funcionó muy bien con datos simples. ¿Y con lo complejo de oncología? Necesitábamos algo más pesado.
El pipeline de oncología (donde las cosas se complicaron)
Los informes de patología llegaban como PDF, archivos XML y a veces incluso imágenes escaneadas. Construimos un pipeline:
- Ingesta – Los informes fluyen por flujos de Kafka
- Análisis – Un servicio de ETL desarma los PDF y el XML
- Mapeo a FHIR – Conversión a recursos FHIR adecuados (Patient, Observation, Specimen)
- Anonimización – Se elimina la información de identificación personal antes del acceso para investigación
Así, en lista, suena limpio. ¿La realidad? Pasamos tres meses solo para descubrir cómo extraer de forma fiable las dimensiones de los tumores desde los PDF, porque cada patólogo da formato distinto a sus informes.
La crisis de identidad
Antes de poder compartir cualquier dato clínico, tuvimos que resolver el problema de "¿quién es esta persona?".
El Hospital A conocía a "Martha J. Jones" (ID: 111). Los servicios sociales conocían a "Martha Jones" (ID: 999). El centro oncológico conocía a "M. Jones" (ID: ABC-7734).
Implementamos un Master Patient Index con el recurso Patient de FHIR y la operación $match. Ahora, cuando se consulta por un paciente, el sistema encuentra el "golden record" y vincula las tres identidades.
La primera vez que lo ejecutamos con datos de producción, encontramos unos 8.000 registros de pacientes duplicados. Algunas personas tenían cuatro ID distintos en la red.
Donde realmente innovamos: la integración de atención social
Esta fue la parte más difícil y, con toda franqueza, aquella de la que más orgullo siento.
Los sistemas hospitalarios usan códigos médicos estandarizados como SNOMED-CT y LOINC. ¿Los registros de atención social? Notas de texto libre como "El paciente camina con dificultad" o "Necesita ayuda para hacer las compras".
Usamos los recursos CarePlan y Consent de FHIR de maneras que no he visto en otros lugares:
CarePlan: El plan de apoyo del trabajador social se vuelve visible directamente en la pantalla de la enfermera de altas del hospital. No como un PDF adjunto, sino como datos estructurados y accionables.
Consent: Este es crítico. Construimos controles de consentimiento granulares para que un paciente pudiera autorizar que su estado de VIH se comparta con el hospital, pero no con el administrador de la residencia de ancianos.
Para el problema del texto libre, pasamos todo por un motor de NLP que asignó "camina con dificultad" al código SNOMED correcto para movilidad reducida. De pronto, cuando un médico buscaba problemas de movilidad, aparecían los registros de atención social, aunque hubieran empezado como texto plano.
Seguridad (o cómo evitamos una pesadilla de filtración de datos)
Abrir APIs entre organizaciones pone nerviosos a los responsables de seguridad. Con razón.
Usamos SMART on FHIR, que básicamente delega la autorización en OAuth 2.0. Así funciona en la práctica:
Un médico hace clic en "Ver registro comunitario" en su sistema Epic. Eso lanza nuestra aplicación en un iframe y le pasa el contexto (qué usuario, qué paciente). Nuestro servidor de autorización comprueba sus credenciales y permisos. Si están en regla, recibe un token de acceso limitado exactamente a lo que necesita. Por ejemplo, acceso de solo lectura a Observations y nada más.
Tuvimos un susto en las pruebas, cuando el token de alguien no expiraba correctamente. Se corrigió rápido.
Qué cambió realmente
Desde que la fachada FHIR entró en producción a mediados de 2024:
Las pruebas de laboratorio duplicadas bajaron un 30% porque los médicos de urgencias por fin podían ver los resultados recientes de los centros especializados. Eso es dinero real y comodidad real para el paciente. A nadie le gusta que lo pinchen dos veces.
La planificación de altas pasó de cuatro días a día y medio. Resulta que, cuando el equipo de altas del hospital puede ver al instante el plan de atención social, deja de perder tres días en llamadas que nadie devuelve.
Los errores de medicación bajaron un 18%. Reunimos las prescripciones del hospital y las dispensaciones de la farmacia comunitaria en una sola vista de MedicationStatement.
El equipo de investigación redujo el tiempo de armado de cohortes de cuatro meses a dos semanas. Ahora sí publican artículos, en lugar de dedicar todo su tiempo a pelear con los datos.
Lo que aprendimos (a las malas)
No mapee todo. Al principio intentamos convertir a FHIR cada campo de cada base de datos heredada. Tres meses después, casi no habíamos avanzado. Giramos con decisión. Mapee solo lo que es clínicamente crítico para su caso de uso concreto. Todo lo demás puede esperar a la v2.
Valide sin concesiones. Al comienzo, los datos defectuosos seguían tumbando nuestras aplicaciones. Implementamos una validación estricta en la API gateway. Si un sistema enviaba un recurso Patient sin fecha de nacimiento (obligatoria en nuestro perfil), lo rechazábamos con un mensaje de error detallado. Los sistemas mejoraron la calidad de sus datos muy rápido.
El problema cultural es más difícil que el técnico. Los trabajadores sociales no querían otro inicio de sesión ni otro sistema. Integramos nuestro visor FHIR directamente en su herramienta de gestión de casos mediante un iframe. Ni siquiera sabían que estaban usando "tecnología nueva". Simplemente funcionaba dentro de su interfaz habitual.
Qué sigue
Con la base ya construida, avanzamos hacia el apoyo a la toma de decisiones. Estamos implementando CDS Hooks. Cuando un médico receta un fármaco, un servicio revisa los datos FHIR en busca de contraindicaciones y puede mostrar una advertencia en tiempo real.
También estamos entrenando modelos de ML con los datos anonimizados para predecir el riesgo de reingreso, combinando datos clínicos con determinantes sociales. Algo imposible cuando todo estaba aislado en silos.
Si está considerando un proyecto como este: reserve más tiempo del que cree necesario, consiga desde el principio el respaldo del personal clínico y, por favor, no intente resolver todos los problemas en la versión 1.
Con gusto conversamos sobre los detalles si enfrenta desafíos similares. Los errores que cometimos, usted no tiene por qué repetirlos.
¿Quiere hablar de sus desafíos de interoperabilidad? Conversemos.
