IA para extraer datos de variabilidad preanalíticos de la literatura biomédica: viabilidad y validación

Área de la Ciencia:

• Investigación biomédica
• Ciencia de los datos
• Análisis de la literatura científica

Sus antecedentes:

• La variabilidad preanalítica tiene un impacto significativo en la calidad y la reproducibilidad de la investigación de muestras biológicas.
• El informe estandarizado de las condiciones preanalíticas es limitado, lo que dificulta la evaluación sistemática.
• Este estudio investiga los grandes modelos lingüísticos para la extracción de datos estructurados.

Objetivo del estudio:

• Explorar el potencial de las LLM para extraer datos de variabilidad preanalíticos.
• Evaluar el rendimiento del LLM en la comprensión y estructuración de condiciones experimentales complejas.
• Evaluar la eficacia de las LLM en la extracción de datos biomédicos.

Principales métodos:

• Utilizó un catálogo de parámetros estandarizado para la evaluación de LLM.
• Se emplean indicaciones especialmente diseñadas para probar varios LLM.
• Evaluación del rendimiento basada en la comprensión contextual y la generación de resultados estructurados.

Principales resultados:

• Varios LLM (por ejemplo, GPT-4.5, DeepSeek R1) mostraron un buen rendimiento en la comprensión contextual y la salida CSV.
• El mapeo semántico consistente de condiciones complejas como el tiempo de almacenamiento y la temperatura presentaba desafíos.
• Se descubrió que la reducción específica de los tokens mejoraba significativamente la calidad de la extracción.

Conclusiones:

• Los LLM son herramientas eficaces para apoyar la extracción de datos estructurados en la investigación biomédica.
• Las limitaciones actuales de LLM en reproducibilidad y fidelidad contextual requieren supervisión experta.
• Se necesita un mayor desarrollo para abordar los desafíos en el mapeo de parámetros experimentales complejos.