Amigon
App de salud mental con integración de voz con IA, desarrollada como proyecto de máster. Seguimiento del ánimo, journaling de voz y diseño de interacción tranquilo.
De un vistazo
- Contexto
- Tesis de máster, FH JOANNEUM Graz
- Dirección
- Laurin Herbsthofer, MSc PhD
- Metodología
- Design Science Research, métodos mixtos
- Encuesta de requisitos
- 53 participantes
- Prueba del prototipo
- 20 participantes
- System Usability Scale
- 86,8 (DE 10,1, n = 18)
Mi rol
Concepto, diseño e implementación, en solitario
El problema
Los cuestionarios estructurados de salud mental son precisos pero tediosos, así que la gente deja de rellenarlos. El diario libre es fácil de mantener, pero no produce nada con lo que un profesional pueda trabajar. Amigon se sitúa entre ambos: un check-in breve y conversacional que aun así genera datos estructurados y conformes a estándares.
Cómo funciona
- Cuatro instrumentos de cribado validados sobre depresión, ansiedad, bienestar y afecto, en lugar de inventar ítems nuevos.
- Un check-in de voz. En vez de responder solo a escalas, se puede hablar. El afecto se estima desde dos canales, los rasgos acústicos de la voz y un modelo de lenguaje que lee lo que se dijo, y ambos se fusionan con ponderación por confianza en lugar de que uno anule al otro.
- Una capa de seguridad que revisa las respuestas por indicios de riesgo agudo en un modelo escalonado. Cuando se activa, la app se detiene y muestra una pantalla con dos botones: el número de emergencias y la línea de crisis. Es una señalización, no un diagnóstico, y la app lo dice.
- Cada medición se convierte en un Observation de HL7 FHIR R4, codificado con ICD-10-GM, SNOMED CT y LOINC.
Stack
Flutter y Dart, Firebase con Firestore, Auth y Cloud Functions, Python para el pipeline de análisis acústico, un LLM para el canal lingüístico, HL7 FHIR R4 con ICD-10-GM, SNOMED CT y LOINC.
Lo que me llevo
Construir la capa FHIR se llevó buena parte del tiempo de implementación y no le aportó absolutamente nada a la app. Ninguna función depende de ella y ningún usuario la ve. Aun así la hice, porque los datos de salud que solo existen dentro de una aplicación pierden todo su valor en cuanto esa aplicación desaparece, y las aplicaciones siempre desaparecen. Una puntuación en una base de datos propietaria es un número. La misma puntuación como Observation codificado en LOINC es algo que otro sistema podrá leer dentro de diez años.
Resultado
El titular es la puntuación SUS de 86,8 frente a una media publicada de 68. Aprendí más de las respuestas abiertas. Varias personas describieron el check-in de voz como más fácil que los cuestionarios precisamente porque no se sentía como una evaluación, que era toda la hipótesis y también la parte de la que menos seguro estaba.