Este artículo presenta una arquitectura digital integrada diseñada para la vigilancia predictiva de enfermedades raras, combinando interoperabilidad, automatización e inteligencia artificial para abordar desafíos importantes como la fragmentación de datos de salud, el diagnóstico tardío y la limitación de sistemas de monitoreo continuo. Basado en la investigación de maestría del autor, el estudio propone un ecosistema modular que utiliza FlutterFlow, Firebase, Supabase, N8N, Python y APIs analíticas para recopilar, normalizar, procesar y analizar información clínica casi en tiempo real. La arquitectura incluye capas para ingesta de datos, enrutamiento inteligente, modelado predictivo, soporte a la decisión clínica, persistencia, observabilidad, privacidad y la interfaz de usuario. Los resultados demuestran la viabilidad técnica, potencial de escalabilidad y la capacidad de generar alertas personalizadas y apoyar flujos de trabajo clínicos más inteligentes. El estudio concluye que la innovación en salud depende no solo de algoritmos aislados, sino de infraestructuras digitales bien orquestadas capaces de transformar datos fragmentados en una atención coordinada para pacientes con enfermedades raras.
Paula Lopes Alvim Santilli (Sun,) estudió esta cuestión.