Muchas organizaciones de atención médica informan que los sistemas tradicionales de listas de trabajo se basan en reglas rígidas que ignoran el contexto crítico, la especialización de los radiólogos, la carga de trabajo actual, los niveles de fatiga y la complejidad del caso. Esto crea un desafío persistente: los radiólogos seleccionan casos más fáciles y de mayor valor evitando estudios complejos, lo que genera retrasos en el diagnóstico y mayores costos. Una investigación en 62 hospitales que analizó 2,2 millones de estudios encontró que la asignación de casos ineficiente provoca retrasos de 17,7 minutos para los casos acelerados y costos de entre 2,1 y 4,2 millones de dólares en todas las redes hospitalarias. La causa fundamental es sencilla: los sistemas tradicionales de listas de trabajo de radiología se basan en motores rígidos basados en reglas que ignoran el contexto más importante: la especialización del radiólogo, la carga de trabajo actual, los niveles de fatiga y la complejidad del caso. En esta publicación, mostraremos cómo crear una optimización del flujo de trabajo de radiología con agentes de IA en Amazon Bedrock AgentCore y Strands Agents SDK.
Los sistemas de listas de trabajo de radiólogos se basan en motores deterministas basados en reglas que dirigen los estudios según una lógica predefinida. La comparación estática de especialidades ignora el contexto, como por ejemplo si el radiólogo disponible ha estado interpretando casos complejos durante varias horas consecutivas o si una exploración de seguimiento sencilla realmente justifica la atención de un subespecialista. El equilibrio de la carga de trabajo responde a la profundidad de la cola actual en lugar de anticipar las demandas en función de la complejidad del caso, el tiempo estimado de interpretación o los patrones de fatiga de los médicos. Lo más importante es que no se produce ningún aprendizaje cuando las reglas deterministas producen asignaciones subóptimas; los mismos patrones ineficientes se repiten hasta que alguien actualiza manualmente la lógica subyacente. En esta publicación, puedes aprender cómo:
Reduzca los retrasos en el diagnóstico mediante la creación de un sistema de lista de trabajo inteligente. Implemente agentes de IA que razonan sobre la especialización, la carga de trabajo y la fatiga de su equipo. Implemente la asignación de casos contextual que reduzca los retrasos en el diagnóstico.
Al ir más allá de las reglas rígidas y deterministas hacia una IA agente que realmente comprenda nuestras subespecialidades, estamos siendo testigos de un cambio de paradigma que eleva el flujo de trabajo de radiología de una simple gestión de tareas a una orquestación verdaderamente autónoma. El subespecialista adecuado se adapta perfectamente al caso adecuado en el momento adecuado, lo que libera a los radiólogos para centrarse por completo en la excelencia del diagnóstico en lugar de tener que navegar por la cola. Radiology Partners reconoce esto como una capacidad de flujo de trabajo de misión crítica y se está asociando con AWS para adoptar Agentic AI para la optimización inteligente del flujo de trabajo.
Enfoque de IA agente
Un agente de IA es un componente de software autónomo que puede percibir su entorno, razonar sobre objetivos y tomar acciones para alcanzarlos. En la optimización del flujo de trabajo de radiología, una red de agentes de IA especializados colabora para orquestar flujos de trabajo clínicos complejos de principio a fin. Cada agente maneja tareas específicas dentro del flujo de trabajo. Los agentes se coordinan entre especialidades y se adaptan para ofrecer resultados óptimos para los pacientes y el equipo. Los agentes de IA en Bedrock AgentCore evalúan múltiples factores simultáneamente, como la especialización del radiólogo, la carga de trabajo actual, los patrones de fatiga, la complejidad del caso, la urgencia clínica y la disponibilidad para realizar asignaciones óptimas de los casos. Los modelos de IA que impulsan a los agentes son modelos básicos (FM) disponibles a través de Amazon Bedrock. El sistema aprende continuamente de patrones históricos y se adapta a las condiciones cambiantes, minimizando las estructuras de incentivos que impulsan el comportamiento selectivo.
Descripción general de la solución
Esta sección lo guía a través de la arquitectura de la solución y la implementación de flujos de trabajo de imágenes radiológicas acelerados mediante la optimización inteligente de la priorización de exámenes y la asignación de radiólogos. En la siguiente figura se muestra un resultado de una tarea de examen de muestra del orquestador de lista de trabajo inteligente. Un estudio de resonancia magnética de rodilla llega al sistema de comunicación y archivo de imágenes (PACS) y debe asignarse. El sistema de optimización de la lista de trabajo agente sugiere la tarea principal junto con el fundamento que se muestra a continuación.
La arquitectura de la solución muestra los componentes que se describen en las siguientes secciones.
El flujo de trabajo se inicia cuando un tecnólogo adquiere un nuevo examen que queda disponible en el sistema de comunicación y archivo de imágenes (PACS) para su lectura. Una cola de exámenes verificados por tecnólogos en cuanto a la calidad de la imagen esperan ser asignados al mejor radiólogo disponible. El proceso de asignación funciona como un flujo de trabajo asincrónico, donde la coincidencia entre examen y radiólogo se activa según reglas dinámicas. El objetivo del sistema es asignar al radiólogo adecuado el examen adecuado en el momento adecuado. El activador de la asignación de examen inicia la sesión de AgentCore Runtime llamando al agente de orquestación de lista de trabajo inteligente (2), que representa el cerebro de la solución. El agente de orquestación es responsable de coordinar múltiples agentes de IA especializados que ejecutan sus respectivas tareas en paralelo. Para los flujos de trabajo de rutina, el orquestador primero coordina con dos agentes, el sintetizador de metadatos de exámenes y el sintetizador de historial del paciente, para recopilar información contextual relevante. Con base en estos datos agregados, el agente de asignación de radiación aplica una lógica de razonamiento para hacer coincidir el examen con el radiólogo óptimo. Para los casos prioritarios, los sistemas de clasificación identifican hallazgos críticos que requieren atención inmediata. Cuando los algoritmos de IA detectan afecciones urgentes, como una hemorragia intracraneal, activan automáticamente la priorización de los exámenes, lo que solicita al orquestador que marque un indicador de alta prioridad para el radiólogo que realiza la lectura. Los agentes se alojan en AgentCore Runtime, utilizando el kit de herramientas de inicio de AgentCore Runtime, el SDK de AgentCore o directamente a través de los SDK de AWS. Amazon Bedrock Guardrails se aplica en dos puntos del flujo de la lista de trabajo. En el lado entrante, intercepta consultas antes de que lleguen al orquestador de la lista de trabajo y rechaza las indicaciones que intentan extraer información de identificación personal (PII) del paciente, como nombres, números de seguro social y direcciones de los almacenes de datos clínicos. En el lado saliente, escanea las respuestas de los agentes a partir de los metadatos del examen, el historial de datos clínicos, el mapeador de Rad, la priorización de exámenes y los agentes de reglas dinámicas para redactar la PII que pueda haber surgido durante la recuperación de la memoria AgentCore o la API de datos clínicos. De esta manera, los agentes operan internamente con datos completos a nivel de examen para una optimización precisa, pero solo muestran información operativamente relevante (tipo de examen, modalidad, urgencia, programación) al usuario. Las restricciones de temas restringen aún más a los agentes a realizar consultas de optimización de listas de trabajo únicamente. El agente sintetizador de metadatos del examen (3a) extrae detalles del examen, incluida la modalidad, la parte del cuerpo y los indicadores de urgencia de los estudios entrantes. Al mismo tiempo, el agente sintetizador de historial del paciente (3b) recopila el contexto clínico relevante y recupera registros de exámenes anteriores para proporcionar información completa sobre los antecedentes del paciente que informa las decisiones de priorización. Rad Assignment Agent (4) optimiza la asignación de radiólogos para cada examen mediante el análisis de múltiples factores, incluidos perfiles de radiólogos, roles, especialidades, afiliaciones hospitalarias preferidas, disponibilidad en tiempo real y reglas comerciales dinámicas. El agente equilibra inteligentemente la lista de trabajo al hacer coincidir cada estudio con el radiólogo cuya especialización se alinea con el tipo de examen, priorizando los casos urgentes para cumplir con los requisitos urgentes y distribuyendo una combinación saludable de estudios complejos y de rutina para prevenir la fatiga. Las mejoras futuras pueden permitir al agente enrutar estudios según los requisitos de tiempo de respuesta del hospital de origen y del acuerdo de nivel de servicio (SLA) correspondiente. El subagente de disponibilidad de Rad (4a) verifica los cronogramas en tiempo real y la distribución de la carga de trabajo actual para equilibrar la asignación de casos. Además, el agente de reglas dinámicas (4b) aplica la lógica empresarial esencial, incluidos los requisitos del acuerdo de nivel de servicio, nuevas modalidades y tipos de exámenes, y políticas de escalamiento para el cumplimiento de las obligaciones institucionales y contractuales. El agente también utilizará notas no estructuradas del tecnólogo en la toma de decisiones para el emparejamiento. AgentCore Memory mantiene información contextual para el procesamiento de exámenes a través de dos sistemas de memoria complementarios: La memoria a corto plazo almacena interacciones sin procesar para preservar el contexto dentro de las sesiones individuales. Captura el historial completo de conversaciones como eventos secuenciales, y cada entrada de metadatos del examen y respuesta del agente se guardan por separado. Esta arquitectura ayuda al agente a reconstruir todo el historial de conversaciones, manteniendo la continuidad incluso después de que se reinicia el servicio o se activa la nueva priorización de exámenes. Cuando un examen asignado no cumple con su acuerdo de nivel de servicio (SLA), un activador notifica al orquestador que inicie la reasignación. El sistema recupera los metadatos del examen del contexto de la memoria a corto plazo e invoca únicamente al agente de disponibilidad del radiólogo. De manera similar, cuando un radiólogo asignado rechaza u omite un examen, el proceso de reasignación se activa automáticamente según el contexto de la memoria a corto plazo para una asignación acelerada. La memoria a largo plazo proporciona una retención persistente del conocimiento a lo largo de múltiples sesiones utilizando una estrategia de memoria semántica. El sistema extrae y almacena información clave sobre las asignaciones de exámenes, incluido el pedido MRN (número de registro médico) y el radiólogo asignado, el tipo de procedimiento y la modalidad de imágenes, el historial clínico del paciente, el motivo de la asignación y los factores de decisión. Esta base de conocimiento persistente mantiene un historial completo de asignaciones de radiólogos, lo que ayuda al sistema a aprender de decisiones pasadas y optimizar las distribuciones de exámenes futuros en función de patrones históricos, experiencia de radiólogos y equilibrio de carga de trabajo. Mientras que la memoria semántica retiene hechos, la memoria episódica de AgentCore captura conocimiento a nivel de experiencia: los objetivos intentados, los pasos de razonamiento, las acciones tomadas (incluidas las herramientas utilizadas y el contexto o parámetros pasados), los resultados y los reflejos de los resultados. En lugar de almacenar cada evento sin procesar, identifica momentos importantes como incumplimientos de SLA o rechazos de asignaciones por parte de radiólogos, los resume en registros compactos y los organiza para que el sistema recupere lo que importa sin ruido. Las reflexiones transforman las experiencias episódicas en conocimiento estratégico al identificar patrones, extraer conocimientos y sintetizar orientación práctica que ayuda a los agentes a aprender y tomar decisiones cada vez más informadas con el tiempo. El agente de priorización de exámenes (5) clasificará los exámenes utilizando modelos de imágenes que identifican la necesidad de aumentar la prioridad de un examen en función de un hallazgo crítico como la embolia pulmonar aguda, una afección que necesita atención inmediata para optimizar los resultados clínicos. Este flujo de trabajo asincrónico procesa imágenes a través de modelos de imágenes de IA, como la red Artery-aware (AANet) para la detección de embolia pulmonar en imágenes de angiografía pulmonar por TC (CTPA). Cuando los modelos detectan hallazgos críticos con alta confianza, activan automáticamente la priorización del estudio para su revisión inmediata por parte del radiólogo. Una vez que el examen se asigna a un radiólogo, este puede interactuar con una aplicación inteligente de gestión del flujo de trabajo que hace que la optimización del flujo de trabajo sea accesible a través de una interfaz fácil de usar. El radiólogo puede aceptar, rechazar u omitir la tarea y continuar con la lectura. El sistema aprende automáticamente las elecciones del radiólogo para mejorar con el tiempo. Por ejemplo, mediante el aprendizaje adaptativo continuo mediante el análisis de circuitos de retroalimentación y el juicio contextual, el sistema agente refina la distribución de casos en tiempo real, lo que reduce la carga cognitiva de los radiólogos. Las reflexiones sobre la estrategia de la memoria episódica basadas en registros episódicos como el incumplimiento de SLA y el rechazo de tareas ayudan a analizar episodios pasados para sacar a la luz ideas, patrones y conclusiones de nivel superior. En lugar de simplemente recuperar lo que sucedió, las reflexiones ayudan al sistema a comprender por qué ciertos eventos son importantes y cómo deberían influir en el comportamiento futuro. Cuando los agentes requieren datos externos para completar sus tareas, invocan herramientas a través del punto final /mcp a través de AgentCore Gateway. Esta puerta de enlace sirve como centro de integración central para toda la arquitectura, manejando el enrutamiento del Protocolo de contexto modelo (MCP) junto con la autenticación entrante y saliente para las comunicaciones del sistema. La puerta de enlace se conecta a AgentCore Identity, que se integra con proveedores de identidad externos para un control de acceso seguro en las interacciones del sistema y los intercambios de datos.
Las solicitudes de herramientas se enrutan al servidor MCP dentro de AgentCore Runtime, lo que expone múltiples herramientas de backend esenciales para el flujo de trabajo. Estas herramientas integradas incluyen acceso a la API de datos clínicos para acceder a registros de pacientes e historiales médicos desde sistemas de registros médicos electrónicos (EHR) y al calendario Rad para recuperar información de programación de radiólogos a través del servidor MCP. Las herramientas utilizarán las API de imágenes empresariales existentes para el acceso directo a estudios de imágenes desde PACS a través de especificaciones OpenAPI.
Pasos de implementación
Se necesitan los siguientes pasos para implementar la solución. Para obtener el código completo, consulte el repositorio de GitHub.
El agente orquestador de lista de trabajo inteligente utiliza el patrón de agente como herramienta y tiene acceso a cuatro herramientas de Strands como subagente. El agente orquestador determina qué “agente herramienta” especializado es el más adecuado para una subtarea. Luego “llama” a ese agente como si fuera una función. Cuando se le llama, el subagente asume la subtarea. Utiliza su propio modelo de lenguaje grande (LLM) y solicita razonar el problema, llamando a sus propias herramientas varias veces antes de devolver un resultado sintetizado al orquestador. El agente utiliza su cliente MCP integrado para iniciar la comunicación con las herramientas adecuadas a través de AgentCore Gateway. Esto permite al agente ejecutar tareas complejas de forma autónoma mediante el uso de estas herramientas para acciones en el mundo real para emparejar radiólogos según sus especialidades, recuperar el historial médico del paciente, extraer metadatos de exámenes y verificar sus turnos. Este agente utiliza el siguiente mensaje del sistema:
El servidor MCP utiliza FastMCP con transporte HTTP sin estado, exponiendo herramientas decoradas con @mcp.tool() que proporcionan búsqueda de radiólogos, metadatos de estudios de imágenes, datos clínicos de pacientes y disponibilidad de turnos. Los agentes acceden a estas herramientas MCP a través de AgentCore Gateway para recuperar datos relevantes. La herramienta MCP Rad Calendar encuentra turnos de radiólogos y horarios en tiempo real desde los sistemas de programación de atención médica para el subagente de disponibilidad de radiólogos. De manera similar, la herramienta MCP de datos clínicos puede encontrar los datos clínicos históricos del paciente para el agente sintetizador de historial del paciente. Se crean los siguientes subagentes. Primero está el agente de asignación de Rad (rad_mapper) que relaciona a los radiólogos según la instalación, el sitio, la enfermedad, la subespecialidad, los datos de salud históricos del paciente, las notas clínicas y otros parámetros médicos, luego los clasifica por prioridad y responde preguntas sobre los detalles del radiólogo. En segundo lugar está el agente sintetizador del historial del paciente (clinical_data_collector) que recupera el historial médico del paciente e identifica información histórica relevante para la asignación del radiólogo. En tercer lugar está un agente sintetizador de metadatos de exámenes (metadata_finder) que extrae metadatos del estudio de imágenes médicas actual para proporcionar contexto (anatomía, notas, detalles del examen) para la asignación del radiólogo. En cuarto lugar está el agente de disponibilidad de Rad (shift_checker), que verifica la disponibilidad del radiólogo y selecciona al mejor radiólogo disponible de la lista filtrada verificando sus horarios, carga de trabajo actual y excepciones. La lista se filtra por recolector de datos clínicos, buscador de metadatos y subagentes rad_mapper. A través de AgentCore Gateway, los agentes reciben acceso a PACS/Imaging API para consultar los metadatos del examen. AWS HealthImaging proporciona el repositorio de imágenes médicas nativo de la nube, que almacena petabytes de imágenes DICOM con velocidades de recuperación inferiores a un segundo. Proporciona al agente sintetizador de metadatos del examen acceso a los metadatos del estudio de imágenes, incluidos el historial del paciente, el tipo de modalidad, las partes del cuerpo examinadas y los niveles de urgencia. La solución utiliza Amazon SageMaker AI para realizar inferencias en tiempo real en modelos de aprendizaje automático que detectan afecciones agudas y urgentes, como la embolia pulmonar. Estos modelos analizan imágenes médicas almacenadas en AWS HealthImaging y detectan hallazgos clave que justifican una nueva priorización inmediata de los exámenes. Los resultados de inferencia se devuelven a través de PACS/Imaging API a los agentes, como el agente de priorización de exámenes, que ajusta dinámicamente el orden de la lista de trabajo según la urgencia clínica. En esta solución, AgentCore Observability se utiliza para rastrear la ruta de ejecución completa cuando una consulta fluye a través del orquestador de lista de trabajo inteligente y se distribuye hacia los metadatos del examen, el historial de datos clínicos, el asignador de Rad, el verificador de turno de Rad y los agentes de reglas dinámicas. Cada invocación de agente se captura como un seguimiento con intervalos individuales, de modo que cuando una solicitud de asignación de examen demora más de lo esperado, puede identificar si el cuello de botella estuvo en la llamada API de datos clínicos a través de MCP Gateway, una recuperación lenta de la memoria de AgentCore Memory o la propia inferencia de LLM. La vista de trayectoria que se muestra aquí visualiza esta cadena de tramos de un extremo a otro para una única consulta de lista de trabajo, lo que facilita la depuración de problemas como que un agente de verificación de turnos de Rad no pueda recuperar los datos del calendario o que el orquestador se enruta al subagente incorrecto. Estos seguimientos se alimentan de los paneles de Amazon CloudWatch que rastrean la latencia por agente, las tasas de éxito de la invocación de herramientas, el consumo de tokens y los patrones de lectura/escritura de memoria. Esto proporciona al equipo de operaciones las señales que necesita para ajustar el rendimiento de los agentes y detectar regresiones antes de que afecten el rendimiento de la lista de trabajo.
Limpieza
El código y las instrucciones para configurar y limpiar esta solución están disponibles en el repositorio de GitHub de optimización del flujo de trabajo de radiología inteligente.
Conclusión
En esta publicación, mostramos cómo trasladar la gestión de su lista de trabajo de radiología de sistemas rígidos basados en reglas a una orquestación inteligente impulsada por agentes le brinda a su organización un camino práctico para reducir las ineficiencias operativas y proteger a sus médicos del agotamiento. Los resultados que hemos analizado muestran que sus flujos de trabajo mejoran no agregando más reglas, sino implementando sistemas capaces de razonamiento genuino, juicio contextual y adaptación continua. Puede ampliar aún más esta solución para aumentar su valor. Al analizar el volumen de exámenes y los patrones de complejidad, sus agentes pueden identificar cuellos de botella en el flujo de trabajo antes de que se conviertan en retrasos, lo que permite realizar ajustes proactivos en la programación, como incorporar radiólogos adicionales con anticipación, precisamente cuando y donde sus datos muestran que la demanda aumentará. Cuando esté listo para seguir adelante, comience por identificar los casos de uso de mayor impacto en su propio entorno. A partir de ahí, establezca patrones de integración sólidos con sus sistemas clínicos existentes y adopte un enfoque por fases que le dé a su solución el tiempo y los datos que necesita para aprender, perfeccionar y mejorar continuamente.
Comience hoy comunicándose con su representante de cuentas de AWS para analizar una implementación piloto. Para obtener más información, hable con su equipo de cuentas de AWS.
Sobre los autores
Marcos Logan
Mark Logan es vicepresidente senior de productos de tecnología clínica en Mosaic Clinical Technologies, la división de servicios tecnológicos de Radiology Partners. Aporta más de 25 años de experiencia en software sanitario, con una profunda especialización en radiología que abarca las últimas dos décadas. Antes de unirse a Radiology Partners, Mark se desempeñó como ejecutivo de desarrollo de IBM Watson Health Imaging, donde dirigió el desarrollo de la cartera de imágenes empresariales. Tiene una licenciatura en ingeniería informática de la Universidad de Toronto.Radiology Partners.
Anurag Sharma
Anurag es arquitecto senior de soluciones para atención médica y ciencias biológicas en AWS India, donde cierra la brecha entre la tecnología y la experiencia en el campo. Con más de 23 años de experiencia en la industria, incluida la fundación de una startup de atención médica pediátrica, colabora con organizaciones de ciencias biológicas y de atención médica para resolver desafíos comerciales complejos mediante el desarrollo y recomendación de soluciones innovadoras que aprovechan la computación en la nube, la IA/ML (incluida la IA generativa y agente) y las tecnologías emergentes.
Priya Padate
Priya es arquitecta de soluciones de socios senior con experiencia en HCLS en AWS. Priya impulsa estrategias de comercialización con socios y su experiencia consiste en ayudar a los clientes de atención médica global a desarrollar soluciones escalables para problemas interdisciplinarios con amplia experiencia en la aplicación de IA/ML dentro del ámbito de la atención médica. Le apasiona utilizar la tecnología para transformar la industria de la salud y lograr mejores resultados en la atención al paciente.
Dra. Ekta Walia Bhullar
Ekta Walia, PhD, es consultora principal de IA generativa en el equipo de servicios profesionales de ciencias biológicas y atención médica de AWS y encabeza el desarrollo de aplicaciones de IA que transforman la atención médica moderna. Ha desempeñado un papel decisivo en el avance de las aplicaciones de IA en todo el espectro de la atención médica y las ciencias biológicas, desde el diagnóstico clínico y el descubrimiento de fármacos hasta las operaciones comerciales de atención médica.
mike piper
Mike Piper es gerente de cuentas globales que respalda cuentas estratégicas de HCLS en AWS y aporta más de 20 años de experiencia al servicio de grandes sistemas de salud y organizaciones de medicina académica. Después de haber trabajado tanto en la industria como en consultoría, se ha asociado con ejecutivos de algunas de las organizaciones de atención médica más grandes del país para impulsar una transformación a gran escala a través de la innovación tecnológica, estrategias centradas en la inteligencia artificial y la prestación de atención integral, al mismo tiempo que preside una junta regional de liderazgo en atención médica y contribuye con liderazgo intelectual a través de publicaciones y conferencias a nivel nacional.