AeroFit: evaluación de aptitud médica aeronáutica

01 Problema y contexto

Determinar la aptitud médica de un piloto exige cruzar exámenes clínicos y psicológicos con una normativa aeronáutica y médica extensa, nacional e internacional. Es lento, disperso y de altísima consecuencia: un error tiene efecto clínico y legal. Y no es aceptable enviar datos médicos sensibles a un servicio externo de IA.

La certificación médica aeronáutica decide quién puede volar y bajo qué condiciones. El criterio no es clínico a secas: cruza exámenes de laboratorio y evaluaciones psicológicas con normativa de la DGAC de Chile y de la OACI, y un error tiene consecuencia clínica y legal al mismo tiempo. Es además un dominio donde los datos son sensibles por definición y donde la cultura de seguridad establece que la automatización nunca tiene la última palabra. El problema se identificó desde adentro: años operando simuladores profesionales con procedimientos reales revelaron una fricción que un ingeniero externo no habría visto.

02 Solución

Un sistema que ingiere exámenes y señales de sensores en tiempo real y razona con un modelo anclado a un dataset construido desde la normativa. Cada veredicto viene con su fuente y su justificación, no una opinión del modelo, más los riesgos asociados y la derivación a especialistas.

01 Investigación · 02 Dataset · 03 Entrenamiento · 04 Pruebas · 05 Aplicación web · 06 Validación

03 Resultados

Cifras verificables en el repositorio y su documentación:

04 Cómo está construido

Sistema de apoyo a la decisión que evalúa la aptitud médica de un piloto. Ingiere exámenes de laboratorio y psicológicos y señales de sensores en tiempo real (presión, ritmo cardíaco, oxigenación) y razona con un modelo anclado a un dataset construido desde normativa aeronáutica y médica nacional e internacional. Entrega un veredicto (apto / apto con restricciones / no apto) con sus fuentes, su justificación, los riesgos asociados y la derivación a especialistas. Tiene proyección comercial: está en gestión con la DGAC.

05 Decisiones éticas

• ✦El piloto decide con un botón si sus datos médicos se guardan o se eliminan automáticamente al cerrar sesión. Si elige no guardarlos, el sistema los analiza, devuelve el resultado y borra todo.
• ✦Aunque el veredicto sea «apto», el sistema deriva igual a un especialista concreto: un algoritmo no debería ser la última palabra sobre el cuerpo de una persona.
• ✦El historial existe solo si el piloto lo pidió. Quien elige guardar vuelve con usuario y contraseña y compara su progreso contra exámenes anteriores; nadie retiene datos por defecto.
• ✦Ningún veredicto se presenta solo: viene con su fuente normativa, su justificación y los riesgos asociados.

06 Aspectos destacados

• ✦Ingesta multimodal: exámenes de laboratorio y psicológicos + señales de sensores en tiempo real (presión, ritmo cardíaco, oxigenación).
• ✦Modelo anclado a un dataset construido desde normativa aeronáutica y médica nacional e internacional; cada respuesta viene con su fuente y su justificación.
• ✦Salida completa: veredicto, riesgos asociados y derivación a especialistas, no un número suelto.
• ✦Pipeline en seis fases: investigación, dataset, entrenamiento, pruebas, aplicación web y validación.
• ✦El evaluador del proyecto abrió el contacto con la DGAC. Está en gestión con el organismo.

07 Limitaciones

El dataset se construyó desde normativa aeronáutica y médica. No es un corpus de historias clínicas reales de pilotos, porque datos aeromédicos abiertos prácticamente no existen. Eso fija el techo del sistema: razona sobre criterios normativos y no sustituye el juicio de un médico examinador aeronáutico. Las señales de sensores provienen de dispositivos de uso personal, cuya precisión no es la de un instrumento clínico: sirven como tendencia y contexto, no como diagnóstico. La normativa cambia, así que el dataset necesita versionado y revisión periódica. Y la validación con la DGAC está en curso: nada de esto equivale todavía a una aprobación del organismo.