Simplifica la historia clínica en segundos.
🏆 Ganador de Innomakers4Health 2026 · El Referente

---

Medicci es el asistente de inteligencia artificial del médico de consultas externas. Le preguntas por el paciente, por voz o escribiendo, y te contesta en segundos con la fuente de cada dato y sin que nada salga del hospital: el modelo de IA corre en local. Resume la historia clínica en el tiempo que el paciente tarda en llegar desde la sala de espera hasta la consulta.

Ganó la VIII edición de Innomakers4Health (23 y 24 de octubre de 2026, 42 Madrid · Fundación Telefónica), el hackathon de Wayra, Pfizer y la Fundación Pfizer con el Hospital Universitario de La Princesa. El reto: liberar tiempo clínico en consultas externas.

El problema

• Un médico puede pasar hasta cinco horas al día con la historia clínica electrónica y el papeleo (Arndt et al., Annals of Family Medicine, 2017: 5,9 h de una jornada de 11,4 h, en EE. UU.).
• Antes de cada paciente, unos cinco minutos solo revisando su historia (Overhage y McCallie, Annals of Internal Medicine, 2020: 5 min 22 s por consulta, 100 millones de consultas, EE. UU.).
• Y la historia crece: cientos de notas, y la mitad del texto copiado de notas anteriores (JAMA Netw Open, 2022).

Medicci cambia el historial interminable por una pregunta y una respuesta en segundos, con la fuente debajo.

Qué hace

	Sigue al paciente. El médico abre al paciente en HCIS, como siempre, y Medicci ya tiene su resumen: por qué viene, los avisos (movilidad reducida, una prueba pendiente, una derivación preferente) y lo que no consta. No hay que escribir nada ni abrir otro programa.
	Pregunta y fuente. «¿Qué pruebas tiene pendientes?». Contesta una frase con lo que se busca y enlaza el texto de donde sale. Si el dato no está, dice «no consta»: no se inventa nada. También se puede preguntar por voz (Whisper en local; el audio no se guarda).
	Resumen ampliado. Todo el paciente en una ventana: avisos, qué le ha pasado, pruebas, lo pendiente y lo que no consta, con un botón para copiarlo a la nota clínica.
	En directo por HL7. Lee los mensajes HL7 v2 que el hospital ya genera, sin tocar la base de datos de HCIS. Si llega un resultado en plena consulta, sale en el momento, marcado como «Nuevo».
	Registro de accesos. Sin médico identificado no se abre ningún paciente, y todo lo que mira queda a su nombre: qué abrió, qué preguntó y qué le contestó Medicci. Cada línea lleva la huella de la anterior: si alguien borra o cambia una, se nota.

Cómo funciona

flowchart LR
    HCIS["HCIS del hospital"] -- "HL7 v2 (MLLP)" --> S["Servidor Medicci<br/>copia de solo lectura"]
    S -- "6 consultas SQL fijas<br/>filas numeradas" --> M["Modelo local<br/>Qwen3-8B (Ollama)"]
    M -- "respuesta + fuentes" --> S
    B["Burbuja Medicci<br/>encima de HCIS"] <--> S
    HCIS -. "paciente abierto<br/>(título de la ventana)" .-> B
    S --> R[("Registro de accesos<br/>encadenado")]

Loading

• No reinventamos la rueda. Medicci se pone encima de HCIS, sea web o un programa de Windows, y lee qué paciente está abierto del título de su ventana. No hay que cambiar HCIS ni los hábitos del médico.
• Sin agente. El servidor saca las filas del paciente con seis consultas SQL fijas y el modelo solo las ordena y las cita. Las cuentas («¿cuántas citas…?») las hace la base de datos, no la IA. Con crónicos de años, al modelo le llega lo que hace falta para la pregunta y un resumen de toda la historia.
• Los avisos no los escribe la IA: salen de reglas sobre los datos, así que son siempre ciertos.
• IA local. Corre en el propio hospital: en una NVIDIA DGX Spark o en cualquier servidor compatible con la API de OpenAI que diga el pliego. Todas las direcciones van en un único fichero, medicci.conf.

Resultados

Medido en un portátil con una RTX 5060 de 8 GB, con los datos sintéticos del reto (24 de octubre de 2026):

Acierto, 30 preguntas con la respuesta correcta sacada con SQL	30/30 y 28/30 con pacientes del reto; 30/30 con crónicos de hasta 15 años
Fuentes inventadas	0
«No consta» cuando el dato no está	6/6
Tiempo por respuesta	0,7–2 s
Crónico con 5.984 registros	1,5 s, con las cuentas exactas
Avisos contrastados con SQL	0 errores en 2.200 pacientes
Por HL7	11.831 mensajes aceptados y 20/20 tarjetas iguales que con los CSV
Dictado por voz	≈1 s, en el procesador

Las pruebas se repiten con mvp/prueba_acierto.py, mvp/prueba_alertas.py y mvp/hl7_emisor.py --comprobar (mvp/).

Probarlo

Hace falta Docker Desktop y los datos en data/: los 11 CSV del reto o, si no los tienes, la base inventada (python mvp/base_inventada.py, dos pacientes con 14 años de historia).

• Windows: doble clic en arrancar.bat. Linux: ./arrancar.sh.

Levanta el modelo y el servidor (la primera vez descarga el modelo, unos 5 GB), manda la historia por HL7, comprueba las tarjetas y abre la réplica de HCIS en el navegador. La burbuja de escritorio se compila con Rust (medicci-rs/):

cd medicci-rs && cargo build --release
target/release/medicci --servidor http://localhost:8000

Página	Dirección
Réplica de HCIS	http://localhost:8000
Mensajes HL7 recibidos	http://localhost:8000/hl7.html
Registro de accesos	http://localhost:8000/registro.html

python mvp/simular.py graba en vídeo la mañana de un médico, desde que enciende el ordenador; python mvp/gifs.py rehace los GIF de esta página.

El proyecto

mvp/          El servidor de Medicci: las consultas, el modelo, HL7, el registro, la voz y sus pruebas
medicci-rs/   La burbuja de escritorio (Rust + egui): lo que ve el médico
marca/        La identidad visual: colores, letra, isotipo y reglas
demo/         Réplicas de HCIS y SELENE con historias sintéticas
analisis/     Exploración de los datos del reto (Python + DuckDB)
bd/           El esquema de la base de la burbuja
docs/         El contexto del reto, los hallazgos, el pitch y el diario del hackathon

Lo que viene

Lo que contamos al jurado. No está construido: es el plan.

• Piloto en La Princesa: 20 médicos de un servicio durante seis meses, la mitad con Medicci y la mitad sin él, midiendo minutos ahorrados y aciertos, con la mentoría de InnomakersLAB.
• Después: evaluación de protección de datos y encaje regulatorio, conexión de solo lectura con el sistema del hospital, y más servicios y hospitales solo si ahorra tiempo de verdad.
• Modelo de negocio: el hospital compra el equipo a precio de coste (un Spark cada ~600 médicos y uno de reserva) y paga una cuota anual de soporte. Para La Princesa, unos 19.700 € de instalación y unos 15.000 € al año (estimación del equipo, a validar en el piloto).

«Por favor, desarrolladlo ya. Nos ayudaría muchísimo.» — una pediatra que lo valoró con un 5 de 5.

El equipo

Juan Bautista · @VolmerES	Líder del proyecto
David Díaz · @davidiaz1251	Experto en IA
Daniel Escamilla · @Daniel-Escamilla	Desarrollador del programa
María Luisa Pax	Diseñadora UX/UI
Naiara Vega	Asesora biomédica

Gracias a la Fundación Pfizer, Pfizer, Wayra, el Hospital Universitario de La Princesa, 42 Madrid y Fundación Telefónica, y a los mentores y médicos que nos dedicaron su tiempo durante el hackathon.

El diario de cómo se hizo, con el reto y los tres pilares, está en docs/HACKATHON.md.

Aviso

• Todos los datos son sintéticos. Ningún dato de pacientes reales pasa por este repositorio. Los CSV del reto no se suben (son de la organización).
• Es el prototipo de un hackathon, no un producto sanitario certificado. Medicci propone; el médico decide.
• Sin licencia por ahora: todos los derechos reservados.