Ertas + OpenClaw para Salud

Los proveedores de salud que usan OpenClaw para la comunicación con pacientes, el procesamiento de notas clínicas y la gestión de citas suelen enviar los mensajes de los pacientes a APIs de IA en la nube. Con Ertas, ajustas un modelo con ejemplos desidentificados de tus propios flujos de trabajo, lo exportas y lo ejecutas localmente con Ollama, de modo que la inferencia sobre datos de pacientes se queda en infraestructura que controlas.

The Challenge

Los proveedores de salud ven valor inmediato en OpenClaw: automatizar la programación de citas a través de plataformas de mensajería, clasificar consultas de pacientes, procesar notas clínicas, redactar cartas de derivación y gestionar la correspondencia de autorizaciones previas con aseguradoras. Estas tareas se llevan una parte importante del tiempo del personal de recepción y administrativo clínico.

La Regla de Privacidad de HIPAA limita cómo se puede compartir la Información de Salud Protegida (PHI) con terceros. Cuando OpenClaw procesa la consulta de un paciente a través de una API de IA en la nube, el nombre del paciente, su afección, su historial de tratamiento y sus datos de contacto llegan a los servidores de ese proveedor como entrada del prompt. El proveedor tiene que quedar cubierto por el contrato adecuado y pasar la revisión del equipo de privacidad y seguridad de la clínica, y muchas clínicas prefieren directamente que los mensajes de pacientes no pasen por servidores de IA de terceros.

La Oficina de Derechos Civiles (OCR) ha sancionado a organizaciones que divulgaron PHI a través de sistemas sin las salvaguardas adecuadas. Cada mensaje, nota o solicitud de cita que un agente envía a una API en la nube suma otro flujo de datos que la clínica tiene que justificar.

Además, los modelos de IA genéricos suelen alucinar con la terminología clínica, clasifican mal la urgencia del triaje y producen respuestas que no se ajustan a los protocolos de cada clínica. La ganancia de productividad de OpenClaw se pierde cuando el personal dedica tiempo a corregir contenido clínico generado por IA.

The Solution

Con Ertas, los proveedores de salud ejecutan OpenClaw sobre un modelo ajustado que alojan ellos mismos. Entrenas el modelo en Ertas Studio, lo exportas desde Hub en formato GGUF y lo sirves con Ollama en el hardware de la propia clínica. A partir de ahí, cada solicitud de inferencia de OpenClaw va a ese modelo local, así que los mensajes de los pacientes se procesan en los servidores de la clínica.

El entrenamiento se hace en las GPU en la nube de Ertas, así que el conjunto de entrenamiento se sube a Ertas. Constrúyelo con ejemplos desidentificados de los flujos de trabajo de la clínica: sus criterios de triaje, protocolos de citas, plantillas de cartas de derivación y estilo de comunicación con pacientes. Un modelo ajustado con ejemplos de una clínica de dermatología aprende a distinguir lo urgente (lesión sospechosa, lunar que cambia rápido) de lo rutinario (revisión anual de la piel, consulta estética) tal como lo hace esa clínica.

Las redes de salud y las agencias que gestionan varias clínicas pueden entrenar en Studio un modelo distinto para cada una, que recoja su estilo de comunicación, su especialidad clínica y sus reglas de programación, y ejecutar cada modelo en infraestructura que la red controla.

Key Features

Hub

Inferencia local con Ollama

Exporta el modelo entrenado desde Hub en formato GGUF y ejecútalo con Ollama en el hardware de la clínica. OpenClaw envía sus solicitudes de inferencia a ese modelo local, así que la PHI de los mensajes de pacientes se procesa en tus servidores y queda fuera de las APIs de IA en la nube.

Studio

Fine-tuning de flujos de trabajo clínicos

Haz fine-tuning en Studio con ejemplos desidentificados del trabajo de la clínica: protocolos de triaje, reglas de programación de citas, plantillas de derivación y patrones de comunicación con pacientes. El modelo resultante aprende el contexto clínico de la clínica, lo que reduce las alucinaciones y mejora la precisión en sus propias tareas.

Studio

Despliegue en varias clínicas

Las redes de salud, los grupos de gestión y las agencias pueden entrenar en Studio un modelo distinto para cada clínica, lanzar los entrenamientos en paralelo y compararlos. Cada clínica obtiene un modelo moldeado por sus propios ejemplos, desplegado en infraestructura que la red controla.

Studio

Revisión del personal en Data Craft

El personal de la clínica crea y corrige ejemplos de entrenamiento en Data Craft, el constructor guiado de datasets de Studio: añade turnos USER y ASSISTANT, ajusta las respuestas a las pautas de la clínica, versiona cada ejemplo y lo aprueba antes de que entre en el entrenamiento.

Example Workflow

Un grupo de clínicas dentales de Estados Unidos, con cinco sedes y 12 dentistas, despliega OpenClaw para automatizar la comunicación con pacientes por WhatsApp y SMS. Hoy, el personal de recepción de cada sede dedica horas cada día a responder consultas de citas, enviar recordatorios, gestionar cambios de cita y resolver dudas previas sobre procedimientos y cobertura del seguro. El grupo exporta desde su sistema de gestión 8.000 conversaciones desidentificadas con pacientes, que cubren citas, consultas sobre procedimientos, preguntas sobre seguros y seguimientos posteriores. El responsable de operaciones del grupo revisa una muestra en Data Craft y aprueba las respuestas que siguen las pautas de comunicación del grupo. El dataset se sube a Ertas Studio, donde se ajusta con LoRA un modelo base Qwen 2.5 7B. El equipo evalúa el modelo con un conjunto reservado de conversaciones y puntúa la clasificación de intención (reserva, cambio de cita, consulta, urgencia) y la calidad de las respuestas según sus propias pautas. La disponibilidad de cada sede, las especialidades de los dentistas y las aseguradoras aceptadas llegan al agente con cada solicitud desde el sistema de gestión. El modelo se exporta desde Hub en GGUF y se sirve con Ollama en un Mac Mini M4 Pro en la oficina central del grupo, y las instancias de OpenClaw de cada sede se conectan a él por la red privada del grupo. El personal revisa y aprueba las respuestas redactadas por la IA en los casos complejos. La inferencia sobre los mensajes de pacientes se ejecuta en el hardware del propio grupo, y el grupo evalúa a sus proveedores de WhatsApp y SMS como servicios de mensajería dentro de su propio programa HIPAA.

Compliance & Security

Las obligaciones de HIPAA y de cualquier ley estatal de privacidad sanitaria aplicable corresponden a la propia clínica. Esto es lo que cambia con esta configuración. Con el modelo exportado ejecutándose localmente con Ollama, las solicitudes de inferencia de OpenClaw van a los servidores de la clínica, así que la PHI de los mensajes de pacientes se procesa allí y queda fuera de las APIs de IA en la nube. El entrenamiento se ejecuta en las GPU en la nube de Ertas, así que el conjunto de entrenamiento se sube a Ertas: desidentifícalo mediante Safe Harbor o Expert Determination antes de subirlo. Los datasets se guardan en Studio para poder repetir las ejecuciones, y puedes eliminarlos en cualquier momento. Los controles de acceso, los registros y los propios canales de mensajería (WhatsApp, SMS) siguen formando parte de la revisión de seguridad y privacidad de la clínica.