Plataforma Web inteligente para la adherencia terapéutica en adultos mayores: agente de IA conversacional, OCR de recetas y acompañamiento familiar

Abstract

La baja adherencia terapéutica afecta aproximadamente al 50% de los pacientes crónicos según la Organización Mundial de la Salud, siendo los adultos mayores el grupo más vulnerable debido a barreras cognitivas, visuales y de diseño en las herramientas digitales actuales. El objetivo de esta investigación fue diseñar y evaluar una plataforma inteligente de escritorio que integra modelos de lenguaje (LLM), reconocimiento óptico de caracteres (OCR) y un módulo de monitoreo familiar para optimizar la adherencia y usabilidad en esta población. Se empleó un enfoque metodológico mixto de corte transversal con una muestra de 30 pacientes, utilizando la escala SUS y el modelo TAM para la validación de usabilidad y aceptación. Los resultados técnicos demostraron una precisión del OCR del 98% en textos impresos y del 78% en manuscritos, mientras que el asistente conversacional alcanzó un 85% de éxito en sus interacciones. La evaluación de usabilidad arrojó una puntuación global de 72 puntos en la escala SUS, validando la hipótesis de aceptabilidad al superar el umbral de 68 puntos definido en la literatura. En la discusión se destaca que la orquestación de notificaciones omnicanal y el acompañamiento familiar actúan como refuerzos conductuales que reducen la carga cognitiva. Se concluye que la integración de IA generativa y el diseño centrado en el humano (ISO 9241-210) conforman una solución robusta para mejorar el cumplimiento del tratamiento, aunque la variabilidad caligráfica médica aún requiere supervisión del cuidador.

Poor treatment adherence affects approximately 50% of patients with chronic conditions, according to the World Health Organization, with older adults being the most vulnerable group due to cognitive, visual, and design barriers in current digital tools. The objective of this research was to design and evaluate an intelligent desktop platform that integrates language models (LLM), optical character recognition (OCR), and a family monitoring module to optimize adherence and usability in this population. A cross-sectional mixed-methods approach was used with a sample of 30 patients, employing the SUS scale and the TAM model for usability and acceptance validation. The technical results demonstrated an OCR accuracy of 98% in printed texts and 78% in handwritten texts, while the conversational assistant achieved an 85% success rate in its interactions. The usability evaluation yielded an overall score of 72 points on the SUS scale, validating the acceptability hypothesis by exceeding the 68-point threshold defined in the literature. The discussion highlights that omnichannel notification orchestration and family support act as behavioral reinforcers that reduce cognitive load. It concludes that integrating generative AI and human-centered design (ISO 9241-210) provides a robust solution for improving treatment adherence, although variability in medical handwriting still requires caregiver oversight.