Curso Torrecárdenas IA · Tutorial

Ecosistema Anthropic y Claude Code

IA generativa aplicada a productividad IT hospitalaria.

Introducción Junio 2026 TIC sanitaria Manuel Torres · UAL

01 · Contexto

El HIS: inamovible pero insuficiente

HIS Central

Sistema crítico cerrado

Admisión, historias clínicas, citación e informes. Modificarlo está prohibido o desaconsejado por riesgo de fallos en Urgencias o Quirófanos.

Necesidad

Aplicaciones satélite

Portales de turnos, alertas de sepsis en UCI, integración con IoT de monitorización. Se construyen alrededor del HIS.

Riesgos

Problemas habituales

Consultas directas a la BD legacy que degradan producción
Archivos planos en vez de APIs REST
Scripts de hace 15 años que nadie toca

La propuesta

La IA no sustituye el HIS: lo rodea con inteligencia

La IA facilita la ingeniería inversa del código legacy, automatiza la traducción a estándares modernos y acelera el desarrollo seguro de servicios interoperables.

Objetivo del tutorial: Entender el ecosistema Anthropic, elegir el modelo correcto para cada tarea y crear un flujo de trabajo estructurado con Claude Code que multiplique la productividad del equipo TIC.

02 · Fundamentos LLM

Token, contexto y ventana de contexto

🔤

Token

Unidad básica de texto que el modelo procesa. Puede ser una palabra, parte de ella o un signo. "hospitalización" → hospital + ización.

🧠

Contexto

Toda la información disponible en un instante: conversación previa, instrucciones de sistema, documentos adjuntos, código fuente y mensajes del usuario.

📏

Ventana de contexto

Límite máximo de información simultánea, medido en tokens. Superado el límite, el modelo compacta o resume el contenido.

Ventanas de contexto

Los modelos actuales ofrecen contextos enormes

Proveedor	Modelo	Ventana de contexto
Anthropic	Claude Opus 4.6–4.8	1 M tokens
Anthropic	Claude Sonnet 4–5 / 4.6 · Haiku 4.5	200 K tokens
OpenAI	GPT-5.5	1,1 M tokens
OpenAI	GPT-4o	128 K tokens
Google	Gemini 3.1 Pro	1 M tokens
Otros	DeepSeek-V4-Pro-Max · Mistral Small 4	256 K–1 M tokens

Una ventana de 200 K tokens equivale aproximadamente a 400 páginas de texto: suficiente para analizar repositorios enteros o documentación extensa.

03 · Ecosistema Anthropic

Claude: seguridad constitucional en el sector salud

Privacidad y cumplimiento

Compromisos clave de Anthropic

No entrenamiento con datos enviados vía API o Claude Code
Cifrado en tránsito y en reposo
Posibilidad de firmar BAA/DPA para cumplimiento RGPD/ENS

Regla de oro

Privacidad desde el diseño

Antes de enviar cualquier log, volcado de BD o mensaje HL7 a Claude, pseudonimiza o anonimiza los datos personales:

Nombres de pacientes · DNI · NUHSA · Teléfonos

Claude genera datos de prueba sintéticos realistas para testing sin usar datos reales.

¿Dónde se usa Claude?

Cuatro interfaces para distintos perfiles TIC

Interfaz	Perfil de uso	Caso típico en el hospital
Claude.ai (Web)	Analistas, jefes de proyecto	Cargar documentación técnica en un Proyecto y hacer preguntas o redactar pliegos
API	Desarrolladores de integraciones	Servicio que recibe alertas de temperatura del banco de sangre y genera resúmenes del incidente
Claude Code (CLI)	Desarrolladores y administradores	Analizar repositorio de scripts PL/SQL antiguos, refactorizarlos a REST en Node.js y ejecutar tests
Claude Cowork	Público general	Automatizar tareas complejas del sistema operativo: archivos, correo, procesamiento de documentos

04 · Familia de modelos Claude

Haiku · Sonnet · Opus · Fable

Modelo	Capacidad principal	Velocidad / Coste	Caso de uso TIC hospitalaria
Haiku	Análisis estructurado ágil	Ultra rápido / Muy bajo	Parsing masivo de mensajes HL7, validación de logs, scripts de automatización
Sonnet	Razonamiento avanzado, programación, visión	Rápido / Moderado	Refactorización legacy, generación de servicios, mapeo FHIR, lógica de negocio compleja
Opus	Razonamiento profundo multi-paso	Moderado / Alto	Arquitectura de satélites, políticas de seguridad ENS, auditoría de código crítico
Fable	Razonamiento en tareas muy extensas	Moderado-lento / Muy alto	Análisis de grandes volúmenes de código legacy, ingeniería inversa, desarrollo multi-agente

Selección del modelo

Tres escenarios reales del hospital

Haiku

Escenario A: Parsing HL7

50.000 mensajes HL7/día desde laboratorios. Validar formato y extraer alertas de valores críticos (potasio alto).

¿Por qué Haiku? Baja latencia + coste mínimo por millón de tokens = ideal para flujos masivos.

Sonnet

Escenario B: PL/SQL → Node.js

Procedimiento almacenado Oracle de 800 líneas con el algoritmo de triaje de Urgencias. Migrar a un servicio Node.js/Express con tests.

¿Por qué Sonnet? Capacidades de codificación líderes. Entiende la lógica PL/SQL y genera código moderno.

Opus / Sonnet

Escenario C: Auditoría ENS

Estrategia de seguridad para que la app de hospitalización a domicilio consuma el HIS por API Gateway cumpliendo ENS categoría Media.

¿Por qué Opus? Análisis profundo de normativa + evaluación de riesgos de red.

05 · Interoperabilidad HL7 FHIR

De datos legacy a un recurso FHIR con Claude

Datos legacy del HIS

text · volcado plano

ID_PACIENTE: 9948231
FECHA_HORA: 2026-06-11 08:30:00
PRUEBA: Glucemia basal (suero)
VALOR: 145
UNIDADES: mg/dL
RANGO_REF: 70-100
ESTADO: Alto
ORIGEN: Lab Central - Torrecárdenas

Prompt para Claude Sonnet

prompt

Actúa como experto en HL7 FHIR R4.
Transforma estos datos legacy en un recurso
FHIR JSON de tipo Observation.
Usa el código LOINC 1558-6 (glucosa en suero)
y garantiza que el JSON sea válido.

Recurso FHIR generado

json · FHIR R4

{
  "resourceType": "Observation",
  "status": "final",
  "code": {
    "coding": [{
      "system": "http://loinc.org",
      "code": "1558-6",
      "display": "Glucose in Serum"
    }]
  },
  "subject": { "reference": "Patient/9948231" },
  "effectiveDateTime": "2026-06-11T08:30:00Z",
  "valueQuantity": {
    "value": 145,
    "unit": "mg/dL"
  },
  "interpretation": [{
    "coding": [{
      "system": "...v3-ObservationInterpretation",
      "code": "H",
      "display": "High"
    }]
  }],
  "referenceRange": [{
    "low":  { "value": 70,  "unit": "mg/dL" },
    "high": { "value": 100, "unit": "mg/dL" }
  }]
}

06 · Claude Code

¿Qué aporta Claude Code sobre Claude.ai?

Claude.ai (web) · limitaciones

Copiar y pegar archivos constantemente
Sin acceso al sistema de archivos local
No sabe si el código compila ni qué dice la consola
Gestión manual de decenas de archivos

Claude Code (CLI) · ventajas

Acceso al sistema de archivos: lee, crea y edita archivos bajo tu supervisión
Ejecución de comandos: npm test, pytest, git diff…
Integración Git: commits con mensajes estructurados automáticos
Control local: el código no sube a la nube; solo los fragmentos relevantes viajan a la API

Flujo de trabajo típico

Del objetivo al código probado en 6 pasos

1

Objetivo

El desarrollador describe la tarea en lenguaje natural.

2

Análisis

Claude lee rutas, modelos y reglas de negocio en CLAUDE.md.

3

Propuesta

Presenta los cambios y pide confirmación explícita antes de editar.

4

Tests

Sugiere ejecutar npm run test y espera autorización.

5

Autocorrección

Si el test falla, analiza el error, corrige y repite.

6

Informe

Resumen de cambios, resultados de tests y sugerencias de mejora.

07 · Sistema de trabajo

De asistente reactivo a colaborador metódico

Memoria del proyecto · ai-docs/

architecture.md — Diagramas y decisiones de diseño
backlog.md — Historias de usuario y sprints
business-rules.md — Reglas de negocio
decisions.md — Decisiones clave y alternativas
lessons-learned.md — Errores y soluciones
sprint-tracker.md — Seguimiento ágil

Por historia de usuario · stories/US-xxx/

analysis.md — Descripción + criterios de aceptación
design-review.md — Revisión del diseño propuesto
design.md — Diseño final implementado
implementation.md — Código generado y tests
validation.md — Resultados y correcciones
retrospective.md — Lecciones aprendidas

Puesta en marcha

Crear la estructura de documentación en un comando

bash · terminal

mkdir -p ai-docs && touch ai-docs/{architecture,backlog,business-rules,\
coding-standards,database-schema,decisions,lessons-learned,\
project-context,project-log,roadmap,sprint-tracker}.md

Estructura resultante:

texto · árbol de proyecto

project/
├── CLAUDE.md
├── ai-docs/
│   ├── architecture.md
│   ├── backlog.md
│   ├── decisions.md
│   ├── lessons-learned.md
│   └── sprint-tracker.md  (y más…)
└── stories/
    └── US-001/
        ├── analysis.md
        ├── design.md
        └── validation.md

CLAUDE.md

El índice operativo que cada sesión necesita

markdown · CLAUDE.md · gestión de camas

# Memoria del proyecto: Gestión de camas (Torrecárdenas)

## Arquitectura y restricciones
- HIS central: Oracle de SOLO LECTURA. PROHIBIDO INSERT/UPDATE/DELETE en HIS_PROD.
- BD propia: PostgreSQL local para el estado de la aplicación.
- Toda salida debe seguir el estándar FHIR R4.

## Estándares de código
- Backend: TypeScript / Node.js · APIs: FastAPI (Python)
- Tablas y columnas: minúsculas y snake_case

## Reglas de seguridad (Crítico)
- NUNCA credenciales en código. Usar variables de entorno (.env).
- PROHIBIDO usar datos reales de pacientes en tests. Usar mock_patients.py.

## Protocolo de inicio de sesión
1. Lee: decisions.md, lessons-learned.md, architecture.md, sprint-tracker.md
2. Genera resumen: bloques de arquitectura, decisiones clave, riesgos.
3. Espera APROBACIÓN EXPLÍCITA antes de implementar.
4. No generes código hasta que se apruebe el resumen.

08 · Comandos personalizados

De instrucciones repetidas a procesos reutilizables

Sin comandos

Cada sesión empieza desde cero

"Lee la arquitectura, revisa el backlog, analiza la historia US-001, dime qué archivos tocar, no implementes todavía, genera criterios de aceptación, crea propuesta de diseño y espera mi aprobación."

Fácil olvidar pasos. Difícil garantizar consistencia entre sesiones.

Con comandos

Un comando, un proceso completo

claude code

/analyze-story US-001

Claude sabrá que debe leer la documentación, localizar la historia, proponer diseño, crear archivos y detenerse antes de implementar.

Estructura de comandos

Una colección de procesos en `.claude/commands/`

texto · árbol de comandos

.claude/
└── commands/
    ├── init-project.md
    ├── create-backlog.md
    ├── analyze-story.md
    ├── review-design.md
    ├── implement-story.md
    ├── validate-story.md
    ├── retrospective.md
    └── run-story.md

Cada archivo .md es el prompt del comando. Al invocar /analyze-story US-001, Claude ejecuta el contenido del archivo pasando US-001 como argumento.

Qué debe definir un buen comando

Objetivo y argumentos que espera
Documentos que debe leer
Qué archivos debe crear o modificar
Qué tiene prohibido hacer
En qué punto debe detenerse y pedir aprobación

Ejemplo de comando

Anatomía de `/analyze-story`

markdown · .claude/commands/analyze-story.md

Analyze story: $ARGUMENTS

Read:
- CLAUDE.md
- ai-docs/project-context.md
- ai-docs/architecture.md
- ai-docs/backlog.md
- ai-docs/decisions.md
- ai-docs/lessons-learned.md

Focus only on story: $ARGUMENTS

Produce:
- stories/$ARGUMENTS/analysis.md
- stories/$ARGUMENTS/design.md
- stories/$ARGUMENTS/status.md

Do NOT implement any code.

Wait for explicit user approval before continuing.

El argumento $ARGUMENTS se sustituye por el valor que el usuario pasa al invocar el comando: /analyze-story US-042 → Claude trabaja con US-042.

Acceso remoto

Supervisar y controlar Claude Code desde cualquier lugar

📱

Remote Control

Continúa una sesión local de Claude Code desde el móvil, tableta o cualquier navegador usando claude.ai/code o la app de Claude.

🔄

Sincronización en tiempo real

Trabajo simultáneo en ambas interfaces (local + remota). Ideal para revisar código o dar feedback mientras estás fuera de la oficina.

⌨️

Comandos remotos

Si tienes definidos comandos personalizados como /run-story o /analyze-story, se pueden ejecutar desde el dispositivo remoto exactamente igual.

09 · Conclusiones

Tres principios para adoptar la IA en TIC hospitalaria

1

Agente, no asistente puntual

Integrar Claude Code en el flujo diario de trabajo, no solo para consultas ocasionales. La clave está en el sistema, no en el prompt perfecto.

2

Memoria viva del proyecto

Documentar arquitectura, decisiones y lecciones aprendidas en ai-docs/. La conversación se cierra; el repositorio conserva el conocimiento.

3

Privacidad sin excepciones

Desidentificar siempre antes de enviar datos a la API. Usar datos sintéticos para testing. Firmar los acuerdos DPA/BAA con Anthropic.

Cierre

La productividad no está en reemplazar desarrolladores

El personal senior con conocimiento del dominio se concentra en decisiones estratégicas. Claude Code se encarga de lo repetitivo: generación de código, validación de tests y mantenimiento de la memoria del proyecto.

Esto requiere disciplina y organización: un CLAUDE.md actualizado, comandos bien diseñados y una memoria documental estructurada y versionada en el repositorio.

Recursos y siguientes pasos

Para continuar aprendiendo

Documentación oficial

Sistema crítico cerrado

Aplicaciones satélite

Problemas habituales

Token

Contexto

Ventana de contexto

Compromisos clave de Anthropic

Privacidad desde el diseño

Escenario A: Parsing HL7

Escenario B: PL/SQL → Node.js

Escenario C: Auditoría ENS

Datos legacy del HIS

Prompt para Claude Sonnet

Recurso FHIR generado

Objetivo

Análisis

Propuesta

Tests

Autocorrección

Informe

Cada sesión empieza desde cero

Un comando, un proceso completo

Qué debe definir un buen comando

Remote Control

Sincronización en tiempo real

Comandos remotos

Agente, no asistente puntual

Memoria viva del proyecto

Privacidad sin excepciones

code.claude.com/docs/es

claude-project-starter-kit

Keyboard Shortcuts

llm-stats.com