Perspectivas estructurales sobre modelos lingüísticos grandes clínicos y sus barreras para la preparación...

Área de la Ciencia:

• Informática Médica
• Inteligencia Artificial en la Atención Médica
• Soporte de Decisiones Clínicas

Sus antecedentes:

• Los modelos lingüísticos grandes (LLM) clínicos se integran rápidamente en la toma de decisiones de atención médica.
• Existen barreras traslacionales significativas debido a una caracterización estructural insuficiente y una validación externa limitada.

Objetivo del estudio:

• Mapear sistemáticamente el panorama de la investigación de LLM clínicos.
• Identificar patrones estructurales que influyen en la preparación de LLM para la implementación clínica.

Principales métodos:

• Se realizó un mapeo de evidencia estructurado de 73 estudios de LLM clínicos (enero de 2020-marzo de 2025) siguiendo las pautas PRISMA 2020.
• Se categorizaron los estudios por tarea clínica, arquitectura, tipo de datos, validación y métricas de evaluación.

Principales resultados:

• La mayoría de los estudios se centraron en tareas en etapa temprana (p. ej., respuesta a preguntas, predicción de enfermedades) utilizando datos de texto y recursos en inglés.
• La validación externa limitada (6,9%) y los diseños prospectivos (4,1%) resaltan las brechas traslacionales.
• Evaluaciones predominantemente cuantitativas (79,5%), con un reconocimiento creciente de métodos cualitativos para la usabilidad.

Conclusiones:

• La investigación de LLM clínicos es en gran medida exploratoria, carece de generalización en idiomas, tipos de datos y entornos.
• La investigación futura debe enfatizar el entrenamiento multilingüe/multimodal, los diseños prospectivos y la validación externa rigurosa.
• Los marcos de evaluación híbridos que combinan métricas cuantitativas y cualitativas son cruciales para la confiabilidad clínica.