El recurso Observation de FHIR es uno de los recursos más frecuentemente utilizados en la interoperabilidad sanitaria. Representa una medición individual, un resultado de prueba o una afirmación clínica sobre un paciente. En la medicina de laboratorio, cada resultado individual de una prueba — un valor de hemoglobina, un nivel de glucosa, un recuento de glóbulos blancos — se representa como un recurso Observation separado. Este enfoque granular permite que cada resultado lleve su propio código, valor, unidad, rango de referencia e interpretación.
Un recurso Observation se identifica mediante un código, típicamente un código LOINC, que especifica exactamente qué se midió. El resultado se expresa como un valor con una unidad codificada en UCUM (por ejemplo, 14,2 g/dL para hemoglobina), y el recurso incluye rangos de referencia que indican qué se considera normal para esa prueba. Un campo de interpretación puede marcar los resultados como altos, bajos, críticos o anormales, proporcionando contexto clínico inmediato. El recurso también registra cuándo se realizó la observación y se vincula al espécimen y al método utilizado.
Una de las fortalezas del recurso Observation es su capacidad para representar diferentes tipos de resultados. Los resultados cuantitativos utilizan valores numéricos con unidades, los resultados cualitativos usan valores codificados (positivo, negativo, reactivo) y los resultados semicuantitativos pueden usar escalas ordinales. Esta flexibilidad significa que prácticamente cualquier resultado de prueba de laboratorio — desde una simple medición de glucosa hasta un panel de inmunología complejo — puede representarse fielmente en FHIR.
En la digitalización de informes de laboratorio, crear recursos Observation precisos es el objetivo principal. Cada prueba extraída de un informe de laboratorio debe mapearse al código LOINC correcto, su valor numérico debe analizarse y validarse, su unidad debe normalizarse a UCUM y su rango de referencia debe capturarse. La calidad de estas Observations determina directamente la utilidad clínica de los datos digitalizados — una Observation codificada o valorada incorrectamente podría llevar a diagnósticos perdidos o decisiones clínicas inapropiadas.