Framework Aegis
IA multiagente para investigar la resistencia antimicrobiana. Lideré el equipo de tres personas que ganó el premio Best Patient Impact en el GSK × IE Biopharma & AI Gateway.
Caso y evidencia
Un asistente de cinco pasos convierte un caso de tuberculosis en datos estructurados: resultados de laboratorio del patógeno, perfil del paciente, entorno asistencial y tratamiento. Cada agente recibe además evidencia: una búsqueda en vivo en Europe PMC (fuentes de confianza, enlaces comprobados) y los archivos que sube el científico. Todos los datos de la demo son sintéticos.
Cuatro agentes especialistas
Los agentes de Patógeno, Paciente y Entorno trabajan en paralelo, cada uno con su propio prompt y su esquema de salida. Después, el agente de Intervención lee sus conclusiones combinadas y recomienda un tratamiento con una previsión de resistencia.
Cuatro proveedores, JSON estricto
Cada agente se ejecuta a la vez en OpenAI, Anthropic, Google Gemini y Ollama Cloud. Cada respuesta tiene que cumplir un esquema JSON estricto; si falla, los errores de validación se convierten en un prompt de corrección y la llamada se repite, hasta tres intentos.
Síntesis con GPT-4o
GPT-4o combina las respuestas de los proveedores de cada agente en una sola y conserva los acuerdos, los desacuerdos y las preguntas abiertas, con una justificación de la confianza. La verificación cruzada sale de varios modelos respondiendo a la misma pregunta.
Caso auditable
El resultado se guarda como un caso con la aportación de cada proveedor, las citas y la confianza. Los prompts piden citas cuando hay evidencia disponible y, en las ejecuciones comparativas, una comprobación previa a la publicación bloquea las afirmaciones sin cita o sin agente atribuido.
Arquitectura
Caso y evidencia
Un asistente de cinco pasos convierte un caso de tuberculosis en datos estructurados: resultados de laboratorio del patógeno, perfil del paciente, entorno asistencial y tratamiento. Cada agente recibe además evidencia: una búsqueda en vivo en Europe PMC (fuentes de confianza, enlaces comprobados) y los archivos que sube el científico. Todos los datos de la demo son sintéticos.
Ir al detalle 1Cuatro agentes especialistas
Los agentes de Patógeno, Paciente y Entorno trabajan en paralelo, cada uno con su propio prompt y su esquema de salida. Después, el agente de Intervención lee sus conclusiones combinadas y recomienda un tratamiento con una previsión de resistencia.
Ir al detalle 2Cuatro proveedores, JSON estricto
Cada agente se ejecuta a la vez en OpenAI, Anthropic, Google Gemini y Ollama Cloud. Cada respuesta tiene que cumplir un esquema JSON estricto; si falla, los errores de validación se convierten en un prompt de corrección y la llamada se repite, hasta tres intentos.
Ir al detalle 3Síntesis con GPT-4o
GPT-4o combina las respuestas de los proveedores de cada agente en una sola y conserva los acuerdos, los desacuerdos y las preguntas abiertas, con una justificación de la confianza. La verificación cruzada sale de varios modelos respondiendo a la misma pregunta.
Ir al detalle 4Caso auditable
El resultado se guarda como un caso con la aportación de cada proveedor, las citas y la confianza. Los prompts piden citas cuando hay evidencia disponible y, en las ejecuciones comparativas, una comprobación previa a la publicación bloquea las afirmaciones sin cita o sin agente atribuido.
Ir al detalle 5
Problema
La investigación sobre resistencia antimicrobiana avanza rápido y la evidencia está repartida en una literatura enorme y creciente. Si le preguntas a un solo modelo por un caso clínico, obtienes una respuesta sin saber en qué discrepan los modelos ni de dónde sale la evidencia. Quien investiga necesita ver el razonamiento, los desacuerdos y las fuentes para poder comprobarlos.
Qué construí
Aegis es una plataforma de apoyo a la decisión para investigar la resistencia antimicrobiana, empezando por la tuberculosis. El científico rellena un asistente de cinco pasos que convierte un caso de tuberculosis en datos estructurados: resultados de laboratorio del patógeno, perfil del paciente, entorno asistencial y opciones de tratamiento. Todos los casos de la demo son sintéticos.
Después, cuatro agentes especialistas analizan el caso: Patógeno, Paciente, Entorno e Intervención. Los tres primeros trabajan en paralelo; Intervención lee sus conclusiones combinadas y recomienda un tratamiento con una previsión de resistencia. Cada agente se ejecuta a la vez en OpenAI, Anthropic, Google Gemini y Ollama Cloud. Cada respuesta tiene que cumplir un esquema JSON estricto, y si falla vuelve al modelo con los errores de validación como prompt de corrección. Luego GPT-4o combina las respuestas de los proveedores de cada agente y conserva los acuerdos, los desacuerdos y las preguntas abiertas.
La evidencia sale de una búsqueda en vivo en Europe PMC, filtrada a fuentes de confianza y con cada enlace comprobado antes de que lo vea el modelo, y de los archivos que sube el científico. Los prompts piden citas cuando hay evidencia disponible y, en las ejecuciones comparativas, una comprobación previa a la publicación bloquea cualquier afirmación sin cita o sin agente atribuido. Cada caso se guarda con la aportación de cada proveedor, para que un revisor pueda auditar cómo se construyó la respuesta.
Mi papel
Lideré un equipo de tres personas, con Sibylle y Carlos, en el GSK × IE University Biopharma & AI Gateway de Madrid, de enero a junio de 2026. Escribí 102 de los 110 commits del proyecto, entre ellos la orquestación de agentes, los adaptadores de proveedores, la síntesis, la búsqueda bibliográfica y el asistente de casos. Sibylle construyó la revisión y exportación de casos y el registro de fuentes de evidencia; Carlos trabajó en las personalidades y los prompts de los agentes.
Stack
TypeScript, Next.js 15, React 19, tRPC, Prisma y NextAuth, con las API de OpenAI, Anthropic, Gemini y Ollama Cloud y la API REST de Europe PMC. 484 pruebas automatizadas, y la integración continua ejecuta lint, comprobación de tipos, pruebas y build.
Resultado
Aegis ganó el premio Best Patient Impact en el GSK × IE Biopharma & AI Gateway. Es una herramienta de investigación, no clínica: la propia app lo indica en cada caso guardado, y la demo funciona con casos sintéticos.
