Asistente de salud personal basado en Inteligencia Artificial con arquitectura de microservicios y orquestación de flujos de trabajo

“Asistente de Salud Personal Basado en Inteligencia Artificial con Arquitectura de Microservicios y Orquestación de Flujos de Trabajo”

Alex Fidel Gil Villa1, https://orcid.org/0009-0002-9869-9325 - agilvi@unitru.edu.pe

Juan Diego Molina Nanfuñay2, https://orcid.org/0009-0001-4222-7778 - jmolina@unitru.edu.pe

Juan Pedro Santos Fernández3, https://orcid.org/0000-0002-8882-9256 - jsantos@unitru.edu.pe

1,2,3 Escuela de Ingeniería de Sistemas, Universidad Nacional de Trujillo. Trujillo, Perú.

Autor de correspondencia: jsantos@unitru.edu.pe

Resumen

El presente artículo se ha implementado un asistente de salud personal basado en inteligencia artificial (IA) que integra automatización de procesos, análisis predictivo y desarrollo de aplicaciones web interactivas. Este sistema es la combinación de Streamlit como interfaz de usuario (frontend), FastAPI para el backend, n8n para orquestación de flujos de trabajo, y PostgreSQL en Supabase para persistencia de datos. La arquitectura propuesta permite captura de datos biométricos, cálculo automatizado de métricas (IMC, TMB, TDEE), y generación de planes personalizados mediante modelos de aprendizaje automático. Para el desarrollo se utilizó la metodología ágil Scrum, con 4 sprints de 16 días cada uno. El sistema fue desplegado en contenedores Docker garantizando portabilidad. Dichos resultados se muestran en un plataforma escalable, segura y eficiente donde el usuario podrá monitorear su estado de salud con procesamiento en tiempo real, recomendación en cuanto a su nutrición, ejercicios y generación automatizada de reportes.

Palabras-clave: Chatbot Inteligente, Automatización, Salud Preventiva, FastAPI, Streamlit, n8n

Abstract: 

This article presents the development and implementation of an AI-based personal health assistant that integrates process automation, predictive analytics, and interactive web applications. The system combines Streamlit as the user interface, FastAPI for the backend, n8n for workflow orchestration, and PostgreSQL on Supabase for data persistence. The proposed architecture enables biometric data collection, automated calculation of health metrics such as BMI, BMR, and TDEE, and the generation of personalized plans using machine learning models. The project was developed using the Scrum agile methodology over four 16-day sprints and deployed through Docker containers to ensure portability. The results are presented in a scalable, secure, and efficient platform that provides real-time health monitoring, personalized nutrition and exercise recommendations, and automated report generation.

Keywords: Intelligent Chatbot, Automation, Preventive Health, FastAPI, Streamlit, n8n

1. Introducción

En el área de salud sobre todo los modelos preventivos, los sistemas de información enfrentan desafíos significativos relacionados con la fragmentación de datos que limita a cumplir los objetivos, la carencia de integración entre plataformas y la ausencia de capacidades de análisis inteligente (Schwaber & Sutherland, 2020). La gestión de información de salud personal requiere herramientas que permitan el monitoreo continuo de indicadores biométricos y la generación de recomendaciones personalizadas basadas en datos históricos y actuales del usuario.

A nivel internacional, el crecimiento exponencial que el área de salud a experimentado se debe a la integración de tecnologías y plataformas, sobre todo se ha visto más en apps móviles como también de plataformas web para autogestión de salud. Sin embargo, a pesar de todo los problemas aún siguen persistiendo más aun todo relacionado con la interoperabilidad entre sistemas, la seguridad de datos sensibles y la efectividad de las intervenciones digitales (Ahmad et al., 2021). Basándonos en esto, la integración de componentes tecnológicos heterogéneos mediante varias arquitecturas de microservicios y patrones de orquestación de flujos de trabajo se presenta como una solución viable para abordar estos desafíos (Ozcelikkan et al., 2022).

La metodología ágil Scrum ha demostrado ser efectiva en el desarrollo de sistemas de software complejos, particularmente en proyectos que requieren iteraciones rápidas y adaptación continua a requisitos cambiantes (SCRUMstudy, 2017). En el contexto de desarrollo de aplicaciones de salud, Scrum facilita la colaboración entre equipos multidisciplinarios y permite la entrega incremental de funcionalidades validadas por usuarios finales (Iparraguirre-Villanueva et al., 2022). La aplicación de prácticas ágiles como daily standups, sprint planning y retrospectivas contribuye a mejorar la calidad del software y reducir el tiempo de desarrollo (Chiru et al., 2021).

En salud digital, buena parte de la innovación se apoya en agentes inteligentes para automatizar procesos y gestionar información con mayor eficiencia. No es solo teoría: Blaj et al. (2022) desarrollaron un chatbot para soporte de TI que permite a los usuarios resolver incidencias con menos fricción y de la misma manera Satheesh et al. (2020) analizaron chatbots que eran impulsados por IA en banca hallando mejoras claras en la satisfacción del cliente cuando la implantación es adecuada. Ahora pasando al ámbito sanitario, durante la pandemia, Peña-Torres et al. (2021) crearon un chatbot orientado a necesidades informativas sobre COVID-19, mostrando su utilidad para entregar información personalizada y oportuna.

En automatización aplicada a salud, los modelos predictivos han ido ganando terreno empezando por Mahmood et al. (2023) que realizaron una revisión del algoritmo de optimización Whale, destacando su potencial para problemas de clasificación y optimización en entornos de salud digital. Por su parte, Alagarsamy et al. (2023) presentaron un sistema portátil de monitoreo electrocardiográfico que combina wearables con procesamiento de señales en tiempo real; en la práctica, un seguimiento continuo y poco intrusivo. Además, Ray et al. (2023) examinaron el uso de IA en unidades de cuidados intensivos y evidenciaron apoyo a la toma de decisiones clínicas mediante el análisis en tiempo real de datos fisiológicos.

Ahora bien, no basta con los modelos: cómo construimos el software importa es por eso que destacamos la integración de DevOps con metodologías ágiles ha mostrado beneficios sostenidos. Cucolaş & Russo (2023) estudiaron Scrum en contextos DevOps e identificaron factores críticos de éxito como lo son: colaboración más fluida, entregas más rápidas y mejor calidad (claves en sistemas sanitarios que exigen actualizaciones frecuentes y alta confiabilidad). Kadenic et al. (2023) añadieron una pieza importante: la madurez del equipo Scrum predice el éxito del proyecto; en consecuencia, la formación continua y el coaching no son opcionales.

En arquitectura, los microservicios se han consolidado como un patrón eficaz para escalar y mantener aplicaciones de salud. Según Udanor et al. (2016) evaluaron un sistema distribuido multi-agente y mostraron que este enfoque facilita la escalabilidad y la adaptabilidad, algo realmente esencial cuando se gestionan volúmenes crecientes de datos y se requieren respuestas casi en tiempo real.

Con estos estudios en cuenta se aparece una brecha recurrente la cual es la falta de plataformas integradas que unan, de forma coherente, la captura de biometría, el análisis con aprendizaje automático, la generación de planes personalizados y la orquestación automatizada de procesos. Existen aplicaciones y sistemas de monitoreo, sí; lo que suele faltar es el “pegamento” que articule todo en una experiencia unificada.

Este proyecto busca cubrir ese vacío mediante el diseño e implementación de un asistente personal de salud que integra los siguientes puntos:

• Se usa n8n para la orquestación de flujos de trabajo,
• Uso de FastAPI como backend de alto rendimiento,
• Streamlit para interfaces web interactivas,
• PostgreSQL en Supabase para persistencia de datos (con capacidades NoSQL cuando conviene).

La combinación permite no solo capturar y almacenar datos, sino también procesarlos de forma inteligente para ofrecer recomendaciones personalizadas y automatizar la comunicación con el usuario (alertas, recordatorios, seguimiento). Para el desarrollo se adoptó Scrum como marco de trabajo, lo que favoreció iteraciones cortas y validaciones frecuentes con stakeholders—ajustando sobre la marcha y reduciendo el riesgo.

El objetivo general de este estudio es diseñar e implementar un sistema integral de asistencia de salud preventiva que capture datos del usuario, calcule métricas biométricas y fisiológicas, ejecute análisis mediante inteligencia artificial, genere planes personalizados de acción y notifique al usuario a través de múltiples canales, con persistencia robusta en base de datos y capacidad de generación de reportes, todo ello desplegado en un entorno de producción basado en contenedores Docker.

Los objetivos específicos incluyen:

1. Optimización y Automatización de Procesos: Implementar un motor de orquestación con n8n y servicios de IA (FastAPI) para automatizar el flujo de captura, análisis y generación de planes de salud, reduciendo significativamente el tiempo de procesamiento en comparación con métodos manuales.

1. Experiencia de Usuario y Usabilidad: Desarrollar una interfaz web interactiva en Streamlit que permita a los usuarios visualizar sus métricas y planes de manera intuitiva, garantizando un alto nivel de satisfacción y facilidad de uso.

1. Integridad y Calidad de Datos: Diseñar e implementar un modelo de datos robusto en PostgreSQL con políticas de seguridad y validación que asegure la alta exactitud y consistencia de la información biométrica y los reportes generados.

2. Métodos y materiales

2.1. Arquitectura General del Sistema

El sistema fue diseñado bajo una arquitectura de microservicios compuesta por tres componentes principales: backend, frontend y motor de orquestación, desplegados en contenedores Docker y coordinados mediante Docker Compose. Esta estructura favorece la independencia, escalabilidad y mantenibilidad de cada módulo.

2.1.1. Backend: FastAPI y Supabase

El backend fue implementado utilizando FastAPI (v0.104.1) por su alto rendimiento y compatibilidad con Python asíncrono. Se desarrollaron endpoints RESTful para la autenticación, registro de usuarios, gestión de perfiles de salud, almacenamiento de progresos y análisis automatizados.
La conexión a la base de datos se realizó mediante psycopg2-binary (v2.9.9) hacia un clúster PostgreSQL alojado en Supabase, utilizando un pool de conexiones (SimpleConnectionPool) para optimizar el acceso concurrente.
La autenticación de usuarios se implementó mediante JWT (pyjwt v2.8.0) y encriptación de contraseñas con bcrypt (v4.1.1). Se establecieron políticas de CORS para permitir el acceso controlado desde el frontend.
El backend se comunica con el motor de automatización n8n a través de webhooks configurados como endpoints /api/analyze, que envían datos del perfil del usuario para su procesamiento y reciben los resultados del análisis de salud, predicciones y planes personalizados.
Los errores, excepciones y tiempos de espera fueron manejados mediante rutinas de validación y logs internos, garantizando la estabilidad y trazabilidad del sistema.

...