wardbeat
WardBeat es un copiloto de operaciones clínicas para el flujo de una planta hospitalaria. Utiliza modelos de lenguaje para extraer barreras de alta y estados de camas a partir de notas de enfermería no estructuradas, presentando todo en un tablero centralizado.
Ficha actualizada 24 sept 2026, 22:44 · upstream 24 sept 2026, 22:10 · release v0.12.0
Qué es wardbeat
Descripción editorial construida a partir del repositorio, su documentación y sus señales de mantenimiento.
WardBeat actúa como un tablero de control (cockpit) para gestionar el flujo de pacientes en una planta hospitalaria. El sistema lee notas clínicas de texto libre utilizando modelos de lenguaje pequeños para transformarlas en un panel que indica quiénes están médicamente aptos para ser dados de alta y exactamente qué barreras impiden su salida, con cada hallazgo trazable a la oración fuente. Su propósito es el apoyo a la decisión clínica, no la autonomía; nada actúa sobre sistemas externos sin intervención humana explícita.
- Identificación automática de barreras ocultas para alta (medicación, transporte, etc.) extraídas de notas clínicas.
- Copiloto fundamentado para responder consultas sobre políticas de descarga del hospital citando secciones específicas.
- Gestión de colas de acciones pendientes con asignación de responsables y tiempos de vencimiento.
- Pronóstico determinista de demanda de camas para planificación de recursos sin invención de datos por IA.
- Auditoría de acceso a datos sensibles de pacientes mediante registros append-only y RBAC granular.
- Despliegue seguro en infraestructura local (self-hosted) donde los datos de pacientes nunca salen de la red.
- Extracción de barreras con trazabilidad al texto fuente (grounding): cada hallazgo cita su origen o se descarta.
- Arquitectura auto-alojable con contenedores Docker y datos sintéticos por defecto para evitar fugas de información.
- Copiloto con citación de políticas y rechazo explícito ante incertidumbre, evitando alucinaciones peligrosas.
- Sistema de pronóstico determinístico narrado por IA, donde los números no pueden ser inventados por el modelo.
- Auditoría de acceso append-only y RBAC estricto por ward para cumplir con normativas de privacidad sanitaria.
- Prevención de inyección de prompt y validación de esquemas en todas las llamadas a la API de IA.
- Funciona con datos sintéticos por defecto; requiere configuración adicional (API keys) para usar modelos reales.
- No tiene autonomía: todas las recomendaciones de acción requieren aprobación humana explícita antes de ejecutarse.
- El CI/CD está diferido; la calidad se verifica localmente mediante gates manuales en lugar de pipelines automatizados externos.
- Dependencia de NVIDIA NIM para inferencia, lo que puede implicar costes o latencia si no se usa modo offline/mocks.
- Requiere entornos específicos: Node 22 y pnpm 11 para el entorno de desarrollo y despliegue.
Capturas del proyecto
Imágenes reales detectadas en la documentación del repositorio.
Perfil de infraestructura
Estimación inicial derivada del repositorio y de los servicios detectados.
Despliegue detectado
Qué señales reales de instalación hemos encontrado.
Despliegue con Docker Compose (db, ai, minio). Ejecutar 'pnpm install', configurar '.env' con AUTH_SECRET y migrar DB. Usar modo sintético ('NIM_MOCK=true') por defecto para pruebas. Para producción real, cambiar a modelos reales y validar backups nocturnos. Asegurar Cloudflare Tunnel o proxy inverso seguro. No usar datos sintéticos con pacientes reales sin validación previa.
Stack y dependencias
Componentes inferidos a partir de manifests, configuración y documentación.
Puede sustituir a
Relaciones detectadas por el análisis del repositorio y su categoría.
Experiencia real de la comunidad
Ayuda a contrastar la estimación automática con instalaciones reales.
Todavía no hay datos comunitarios para este proyecto.