Mejorar el apoyo a la decisión clínica con la recuperación iterativa adaptativa de autoconsultas para modelos de...

Área de la Ciencia:

• La inteligencia artificial en la medicina
• Sistemas de apoyo a la toma de decisiones clínicas
• Procesamiento del lenguaje natural

Sus antecedentes:

• La generación aumentada de recuperación (RAG) utilizando grandes modelos de lenguaje (LLM) muestra potencial para la orientación clínica, pero está limitada por la calidad de la consulta.
• La carga cognitiva del médico puede reducirse con la IA, pero requiere una recuperación de información precisa y estructurada.
• Los sistemas RAG actuales luchan con consultas clínicas no estructuradas o ambiguas, lo que afecta a la fiabilidad.

Objetivo del estudio:

• Introducir y evaluar el marco de recuperación de autoconsultas (SQR) para mejorar la claridad y la estructura de las preguntas clínicas.
• Mejorar la precisión, relevancia y calidad de recuperación de la orientación clínica generada por el LLM.
• Evaluar la eficacia de los módulos automatizados de refinamiento de consultas (PICOT, SPICE, IQR) dentro del marco SQR.

Principales métodos:

• Desarrolló el marco SQR adaptativo que integra los módulos PICOT, SPICE y Iterative Query Refinement (IQR).
• Implementado SQR en el Gemini-1.0 Pro LLM y comparado con 30 consultas de rinoplastia postoperatoria.
• Evaluación de la precisión y relevancia de las respuestas utilizando una escala de Likert y métricas de recuperación (precisión, recuerdo, puntuación F1).

Principales resultados:

• La tubería completa de SQR logró una precisión del 87% y una relevancia del 100%, superando significativamente una línea de base RAG no refinada (precisión del 50%, relevancia del 80%).
• SQR mejoró la precisión, el recuerdo y las puntuaciones F1 de 0.17, 0.39, 0.24 a 0.53, 1.00, 0.70, respectivamente.
• Los módulos exclusivos de PICOT y SPICE mostraron mejoras intermedias, lo que pone de relieve el beneficio de la tubería completa.

Conclusiones:

• La estructuración automatizada de consultas y el refinamiento iterativo a través de SQR mejoran sustancialmente el apoyo a la decisión clínica basado en LLM.
• El marco SQR demuestra mejoras significativas en la precisión y relevancia para la orientación clínica.
• El diseño agnóstico del modelo de SQR permite una amplia aplicabilidad en todas las especialidades médicas y fuentes de datos.