UroSystemTests: Un sistema de información para mejorar la gestión de las pruebas de análisis de orina
Resumen
En este artículo se presenta un trabajo aplicado de desarrollo tecnológico en computación, orientado al diseño e implementación de UroSystemTests, un sistema de información web para apoyar la gestión de las pruebas de análisis de orina en instituciones hospitalarias del departamento del Huila, Colombia. El caso de desarrollo surge de la necesidad de mejorar el registro, la consulta, la disponibilidad y la interoperabilidad de la información clínica asociada a este tipo de exámenes, considerando que, en algunos contextos hospitalarios, los datos aún se gestionan mediante procedimientos manuales o no estructurados. La solución fue desarrollada con tecnologías de código abierto, empleando una arquitectura web basada en un servidor de aplicaciones, una base de datos MySQL y componentes de interfaz accesibles desde navegadores web. Además, el sistema incorpora el estándar HL7-FHIR y la representación de datos en formato JSON, con el propósito de facilitar la interoperabilidad futura con otros sistemas de información en salud. Como resultado, se implementó una plataforma funcional con perfiles diferenciados para administrador, personal médico, paciente y laboratorio, que permite autorizar pruebas, registrar resultados, consultar información clínica y gestionar usuarios. El caso presentado evidencia la aplicabilidad de herramientas computacionales abiertas para fortalecer los procesos de gestión de la información clínica, mejorar la trazabilidad de los exámenes de orina y facilitar el acceso organizado a la información en escenarios hospitalarios.
Referencias bibliográficas
Ayaz, M., Pasha, M., Alzahrani, M., Budiarto, R., y Stiawan, D. (2021). The Fast Health Interoperability Resources (FHIR) Standard: Systematic Literature Review of Implementations, Applications, Challenges and Opportunities. JMIR Medical Informatics, 9(7), e21929. https://doi.org/10.2196/21929
Bender, D., y Sartipi, K. (2013). HL7 FHIR: An agile and RESTful approach to healthcare information exchange. Proceedings of CBMS 2013 - 26th IEEE International Symposium on Computer-Based Medical Systems (págs. 326-331). Porto: IEEE Xplore. https://doi.org/10.1109/CBMS.2013.6627810
Francis, A., Harhay, M., Ong, A., Tummalapalli, S. L., Ortiz, A., Fogo, A., Fliser, D., Chaudhury, P. R., Fontana, M., Nangaku, M., Wanner, C., Malik, C., Hradsky, A., Adu, D., Bavanandan, S., Cusumano, A., Sola, L., Ulasi, I., y Jha, V. (2024). Chronic kidney disease and the global public health agenda: An international consensus. Nature Reviews Nephrology, 20, 473-485. https://doi.org/10.1038/s41581-024-00820-6
Ghosh, S. K., y Khandoker, A. (2024). Investigation on explainable machine learning models to predict chronic kidney disease. Scientific Reports, 14, Article 4089. https://doi.org/10.1038/s41598-024-54375-4
HL7 International. (2024). FHIR overview. hl7.org. https://www.hl7.org/fhir/overview.html
Kanda, E., Epureanu, B. I., Adachi, T., y Kashihara, N. (2023). Machine-learning-based Web system for the prediction of chronic kidney disease progression and mortality. PLOS Digital Health, 2(1), e0000188. https://doi.org/10.1371/journal.pdig.0000188
Khalid, F., Alsadoun, L., Khilji, F., Mushtaq, M., Odurukwe, A. E., Mushtaq, M. M., Ali, H., Farman, R. O., Ali, S. M., Fatima, R., y Hussain Bokhari, S. F. (2024). Predicting the progression of chronic kidney disease: A systematic review of artificial intelligence and machine learning approaches. Cureus, 16(5), e60145. https://doi.org/0.7759/cureus.60145
Krisanapan, P., Vongsanim, S., Pin-On, P., y Ruengorn, C. (2023). Revolutionizing chronic kidney disease management with machine learning and artificial intelligence. Journal of Personalized Medicine, 13(5), 802. https://doi.org/10.3390/jpm13050802
PAHO. (2025). Digital transformation of the health sector in the Americas: Ensuring public health reaches everyone, everywhere. PAHO. IRIS PAHO. https://iris.paho.org/items/3149f7ee-3276-497c-b3f0-7bb0d6c126a7
Pan, Q., Xie, Y., y Zhang, H. (2024). Artificial intelligence in predicting chronic kidney disease prognosis: A systematic review and meta-analysis. BMC Medical Informatics and Decision Making, 24, Article 362. https://doi.org/10.1186/s12911-024-02786-8
Pardon, S., y Berry, D. (2010). MirthConnect howto document. Informe técnico, Technological University Dublin. https://arrow.tudublin.ie/teapotrep/2
Salcedo, D., Cortes, A., Ternera, Y., Henriquez, C., y Martes, L. (2022). Diabetes tracking panel: an on-line information system to registration and management. Bulletin of Electrical Engineering and Informatics, 11(3), 1614-1623. https://doi.org/10.11591/EEI.V11I3.3477
Stevens, P., Ahmed, S., Carrero, J. J., Foster, B., Francis, A., Hall, R., Herrington, W., Hill, G., Inker, L., Kazancıoğlu, R., Lamb, E., Lin, P., Madero, M., McIntyre, N., Morrow, K., y Roberts, G. (2024). KDIGO 2024 clinical practice guideline for the evaluation and management of chronic kidney disease. Kidney International, 105(4s), S117-S314. https://doi.org/10.1016/j.kint.2023.10.018
Tabari, P., Rahimi, S., y Phelps, R. (2024). State-of-the-art Fast Healthcare Interoperability Resources (FHIR)-based data models and applications: A review. JMIR Medical Informatics, 12, e58445. https://doi.org/10.2196/58445
Descargas
Derechos de autor 2026 Revista Colombiana de Computación
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
| Estadísticas de artículo | |
|---|---|
| Vistas de resúmenes | |
| Vistas de PDF | |
| Descargas de PDF | |
| Vistas de HTML | |
| Otras vistas | |
