NemoClaw + Radiólogo: cómo construí un agente personal de salud con gobernanza NVIDIA para el manejo de reportes e imágenes
Así funciona el agente personal del radiólogo construido sobre NemoClaw y OpenClaw: desde la recepción de estudios por WhatsApp hasta la entrega del reporte firmado, con modelos de IA médica de mHub.ai y seguridad NVIDIA en cada capa.
NemoClaw, NVIDIA Healthcare, IA Radiología, OpenClaw, mHub.ai, Agente de Salud, Teleradiología, PACS, Gobernanza IA
Hace unos meses me hice una pregunta incómoda: si un paciente me envía una radiografía por WhatsApp a las once de la noche o si tengo un caso muy difícil durante el turno a quien le puedo consultar?, ¿qué pasa con ese estudio? ¿Quién lo clasifica, quién lo procesa, quién garantiza que el reporte llegue con trazabilidad y sin que el dato del paciente quede flotando en algún servidor que no controlo?
La respuesta honesta era: nadie. O peor, yo manualmente, sin ninguna capa de automatización ni de gobernanza. Puedo buscar revision del tema en ChatGPT o Claude pero no puedo enviar la imagen ni la IA me puede ayudar.
Ese problema es exactamente lo que resolví construyendo un agente de salud sobre NemoClaw y OpenClaw de NVIDIA. Lo que describo en este artículo no es un concepto ni un paper académico.
Es el sistema que estoy usando ya que simplifique los canales de comunicación a Whatsapp y Discord pues el radiólogo no va. usar terminal ni código.
El problema real del flujo radiológico actual
El radiólogo moderno opera en varios canales simultáneamente. Llegan estudios por el PACS institucional, por plataformas de teleradiología, por correo, y sí, también por WhatsApp en contextos de práctica privada o de baja complejidad. Cada canal tiene su propio formato, su propia urgencia, su propia lógica de respuesta.
El resultado es un flujo fragmentado donde el radiólogo actúa como integrador manual de todo ese caos. Clasifica, prioriza, interpreta, redacta, firma y entrega. Cada paso a mano. Cada paso con riesgo de omisión.
La pregunta que me hice no fue cómo automatizar la interpretación — los modelos de IA médica ya existen y son buenos. La pregunta fue cómo construir una capa de orquestación que conecte canales, modelos, sistemas hospitalarios y al radiólogo humano de manera segura, trazable y escalable. Y por supuesta usando eses cvanales de comunicación diarios que no sean accequibles a personal no médico si los llegasen a utilizar.
La arquitectura: cinco capas que trabajan juntas
El sistema que construí tiene cinco capas claramente diferenciadas, cada una con una responsabilidad específica.
La primera es la capa de canales de comunicación.
El sistema recibe estudios, imágenes y reportes a través de WhatsApp y Discord. No porque sean las plataformas más elegantes, sino porque son donde ya operan los pacientes, los técnicos y los médicos referentes en la práctica real. El agente escucha estos canales y convierte cada mensaje entrante en un evento estructurado.
La segunda es la capa de agentes de salud, construida sobre NemoClaw y OpenClaw.
Aquí viven cinco agentes especializados: el Agente de Imágenes, el Agente de Reportes, el Agente de Triage, el Agente de Notificaciones y el Agente de Gestión de Casos. Cada uno tiene un rol definido y opera de forma coordinada bajo la orquestación de OpenClaw. NemoClaw envuelve todo esto en un sandbox con políticas de seguridad, control de red y almacenamiento seguro de credenciales.
La tercera es la capa de orquestación y herramientas.
OpenClaw gestiona la automatización de tareas entre agentes. OpenShell aplica las políticas de seguridad y controla qué recursos puede tocar cada agente. El sistema de Memoria y Conocimiento permite que el agente recuerde contexto clínico acumulado por paciente o por tipo de estudio. Los Plugins y Skills extienden las capacidades del agente sin romper el sandbox de seguridad.
La cuarta es la integración con modelos de IA médica a través de mHub.ai.
Esta es la capa de inteligencia real sobre las imágenes. Los modelos procesan radiografías, tomografías y resonancias para detectar patologías, segmentar estructuras anatómicas, realizar mediciones automáticas y clasificar y priorizar estudios por urgencia. El resultado de cada análisis incluye detección de hallazgos, interpretación asistida, score de confianza y sugerencias de reporte. Todo esto llega al agente como contexto estructurado, no como una caja negra.
La quinta capa es el radiólogo!
Y aquí está el punto más importante de toda la arquitectura: el radiólogo no desaparece. Recibe los resultados e informes ya procesados, los valida, complementa la interpretación con su criterio clínico, y firma el reporte. La IA hace el trabajo pesado de procesamiento; el radiólogo hace el trabajo que solo un médico puede hacer.
El flujo de trabajo completo, paso a paso
El ciclo completo de un estudio en este sistema tiene 6 momentos.
En la recepción, el agente recibe imágenes por los canales web de RIS/PACS o al correo y reportes debe ser generados por la misma pataforma. SIn embargo los canales configurados — WhatsApp o Discord (esteúltimo casi nadie lo usa!) — y los registra como cnales para preguntarles a colegas o buscar por metadatos de origen, hora y tipo de estudio.
En la clasificación, el radiólogo puede localmente tener su skill de Claude o Openclaw en la nube mediante un VPS donde el Agente de Triage prioriza y categoriza el estudio, durante este primer paso elimina los datos de identificación del paciente sin dejar rastro.
En el procesamiento de IA hay dos caminos:
Usando los modelos de mHub.ai analizan las imágenes y generan hallazgos estos se conectan a los agentes que evaluan el proceso teniendo en cuenta los recursos del PC local o de la nube.
Por ejemplo, un TAC de pulmón en una ventana puede tener 35 Mb de espacio! por eso en local es mejor que en la nube!!!. Pero a veces es mejor procesar 1 estudio a la vez en la nube lo cual es posible.
Este es el paso más intensivo computacionalmente y donde la inferencia sobre NVIDIA Endpoints aporta la potencia necesaria para modelos de segmentación y detección en tiempo real. asi como depende de los recursos de la nube.
En la revisión humana, el radiólogo recibe el estudio ya procesado con los hallazgos de IA, el score de confianza y las sugerencias de reporte. Revisa, valida y complementa con su interpretación clínica. No empieza desde cero; empieza desde un borrador inteligente. AL texto propuesta es el que viaja por los canales de comunicación simepre y quedan guardados en un canal de Discord para evitar perder el hilo de la comunicación en chats de Whatsapp.
En el reporte final, se genera el documento estructurado con hallazgos, conclusiones y la firma del radiólogo. El formato es configurable según los requerimientos del sistema de destino.
En la entrega y registro, el reporte se entrega por el canal correspondiente y se registra en los sistemas hospitalarios — PACS, RIS, HIS o EMR — con trazabilidad completa del proceso.
Por qué NemoClaw es la pieza que hacía falta
Antes de NemoClaw, el mayor riesgo de este tipo de arquitectura era la fuga de datos. Un agente que recibe imágenes de pacientes por WhatsApp, las procesa con modelos externos y entrega reportes tiene múltiples puntos donde datos sensibles pueden escapar del perímetro controlado.
NemoClaw resuelve esto con tres mecanismos concretos:
El sandbox de aislamiento garantiza que el agente corre en un entorno con Landlock, seccomp y namespaces de red propios. Ninguna comunicación hacia el exterior ocurre sin una política explícita aprobada.
La gestión de credenciales asegura que las claves de API del PACS, de mHub.ai, de los canales de comunicación y de cualquier sistema externo nunca quedan expuestas en texto plano dentro del agente.
El monitoreo de actividad registra cada acción del agente en logs auditables. Para una práctica que debe responder ante auditorías de calidad o incidentes de seguridad, esto es trazabilidad real, no declarada.
El resultado es un sistema que puede operar en entornos de teleradiología, en hospitales con PACS y RIS, con agentes hospitalarios externos, y con sistemas HIS y EMR, manteniendo en todo momento el control sobre qué datos se mueven y hacia dónde.
Además del proceso la idea de los reportes es poder unificar y mejorar esas inteligencia de la generaciónd e reportes por cada radiólogo por eso cada proceso es automejorado para que se aumente la calidad de interpretación y lectura la siguiente vez y el administrador del hospital puede tener un "Daily Digest" de los procesos.
Los beneficios que justifican la inversión
Automatización de flujos y reducción de errores. El paso manual de clasificar, enrutar y preparar cada estudio desaparece. El agente lo hace en segundos y sin omisiones.
Integración unificada de canales, IA y humanos. WhatsApp, Discord, PACS y RIS hablan el mismo idioma dentro del sistema. El radiólogo tiene una sola interfaz de revisión sin importar de dónde vino el estudio.
Trazabilidad completa del proceso. Cada estudio tiene un registro de quién lo recibió, cuándo fue procesado, qué modelo lo analizó, qué score de confianza arrojó y quién firmó el reporte. Esto no es solo buena práctica clínica, es protección legal.
Escalabilidad para teleradiología y hospitales. El mismo sistema que funciona para una práctica privada de un radiólogo puede escalar a un servicio de teleradiología con decenas de médicos y miles de estudios diarios, sin cambiar la arquitectura base.
Una nota importante sobre el estado actual
NemoClaw está actualmente en fase alpha.
Esto significa que las APIs pueden cambiar entre versiones y que no está recomendado para producción clínica crítica todavía. Lo que describo en este artículo es un sistema en piloto activo, no un producto terminado.
El momento de aprender esta arquitectura y construir sobre ella es ahora, antes de que se convierta en el estándar. Los que lleguen tarde llegarán a implementar lo que otros ya probaron.
Lo que sigue
En el curso de IA aplicada a Radiología de septiembre 2026 vamos a construir este sistema en vivo. NemoClaw, OpenClaw, mHub.ai y modelos NVIDIA operando sobre casos clínicos reales, con gobernanza demostrable y flujo completo desde la recepción hasta el reporte firmado.
Si estás en radiología y quieres entender cómo esta arquitectura puede entrar en tu práctica o en tu hospital, ese es el espacio donde lo vamos a trabajar juntos.
NemoClaw sobre OpenClaw = Automatización, Inteligencia y Control en el flujo de imágenes y reportes.