Flujo de trabajo de un modelo de lenguaje grande para la estratificación auditable del riesgo de absceso cerebral y...

Área de la Ciencia:

• Educación Médica
• Inteligencia Artificial en Medicina
• Flujos de Trabajo Académicos

Sus antecedentes:

• Los estudiantes de medicina necesitan métodos transparentes para integrar modelos de lenguaje grandes (LLM) en el trabajo académico.
• Los planes de estudio de alfabetización en inteligencia artificial (IA) existentes carecen de marcos auditables para el uso de LLM.
• El desarrollo de habilidades estructuradas de uso de IA es crucial para la preparación previa a la residencia.

Objetivo del estudio:

• Describir un marco educativo de mentoría para enseñar alfabetización en IA y el uso estructurado de LLM a estudiantes de medicina.
• Transformar un informe de caso clínico en un modelo de estratificación de riesgos reproducible y compatible con LLM.
• Fomentar el rigor, la verificación y la participación transparente en IA en actividades académicas.

Principales métodos:

• Se reconstruyó un caso de absceso cerebral no identificado utilizando variables clínicas estructuradas.
• Las interacciones de LLM se registraron en un registro de indicaciones estandarizado, capturando la justificación y las decisiones.
• Se desarrolló una puntuación provisional de Deterioro Neurológico en Absceso Cerebral (NDBAS v0.1) basada en indicadores respaldados por la literatura.

Principales resultados:

• La síntesis asistida por LLM aceleró la revisión de evidencia en comparación con los métodos manuales.
• El marco produjo tres artefactos curriculares: un apéndice de casos, un registro de indicaciones y un diccionario de variables.
• El caso índice recibió una puntuación de 5 en NDBAS v0.1, lo que indica un riesgo moderado.

Conclusiones:

• Este flujo de trabajo de LLM estructurado y listo para auditoría mejora la alfabetización en IA y la producción académica para los estudiantes de medicina.
• El patrón 'Registro de indicaciones más preguntar-verificar-revisar' facilita la síntesis transparente de evidencia y la creación de modelos conceptuales.
• Los flujos de trabajo de LLM mentorizados, con la gobernanza adecuada, pueden preparar a los alumnos para la participación responsable en IA en la formación clínica.