La fragmentación generalizada de la información del paciente a través de sistemas heterogéneos y la falta de mecanismos de integración estandarizados obstaculizan diagnósticos médicos eficientes y completos. Para abordar estas limitaciones, este trabajo presenta un marco arquitectónico diseñado para apoyar a los médicos en el proceso de diagnóstico mediante la integración de información clínica y socio-sanitaria (historias médicas de los pacientes), documentos estructurados extraídos del Sistema de Información de Salud (HIS) y datos extraídos automáticamente de imágenes diagnósticas utilizando técnicas de Inteligencia Artificial (IA). La arquitectura propuesta está compuesta por varios módulos, en particular un Sistema de Soporte a la Decisión (DSS) que permite la evaluación de riesgos relacionados con condiciones clínicas específicas del paciente. Además, la información clínica recuperada se agrega, estandariza y transmite a sistemas externos para su seguimiento. La estandarización y la interoperabilidad de los datos se aseguran mediante la adopción del estándar internacional HL7 Fast Healthcare Interoperability Resources (FHIR), que facilita la conexión sin problemas con el HIS. Se ha desarrollado una aplicación para Android para comunicarse con diferentes HIS con el fin de: (i) recuperar información, (ii) agregar datos clínicos, (iii) calcular puntuaciones de riesgo del paciente utilizando algoritmos de IA, (iv) mostrar resultados a los profesionales de la salud y (v) generar y compartir información clínica relevante con sistemas externos en un formato estandarizado. Para demostrar la aplicabilidad de la arquitectura, se presenta un estudio de caso sobre el diagnóstico de cáncer de mama. En este contexto, se desarrolló un módulo de Evaluación de Riesgos basado en IA utilizando el Conjunto de Datos de Imágenes de Ultrasonido de Mama (BUSI), que incluye casos benignos, malignos y normales. Se aplicaron algoritmos de Aprendizaje Automático para realizar la tarea de clasificación. El rendimiento del modelo se evaluó utilizando una estrategia de validación cruzada de 4 pliegues para garantizar robustez y generalizabilidad. Los mejores resultados se lograron utilizando el método de Perceptrón Multicapa, con un competitivo puntaje F1 de 0.97.