Video Experimental Relacionado
Updated: Feb 20, 2026
03:14
Augmenting Large Language Models via Vector Embeddings to Improve Domain-Specific Responsiveness
Published on: December 6, 2024
1.2K
Evaluación del papel de los modelos de lenguaje grandes en la comunicación con el cliente en odontología veterinaria
1Department of Veterinary Surgery, Faculty of Veterinary Medicine, Atatürk University, Erzurum, Turkey.
Journal of veterinary dentistry
|February 18, 2026
Resumen
Los modelos de lenguaje grandes (LLM) muestran potencial para la educación del cliente en odontología veterinaria, pero requieren supervisión experta. Si bien ChatGPT-5 y Claude Sonnet 4.5 tuvieron un buen desempeño, se encontraron imprecisiones, especialmente en relación con la seguridad de la anestesia.
Área de la Ciencia:
- Medicina Veterinaria; Inteligencia Artificial; Comunicación con el Cliente
Sus antecedentes:
- Los modelos de lenguaje grandes (LLM) se utilizan cada vez más en diversos campos, incluida la atención médica.
- La comunicación eficaz con el cliente es crucial en la odontología veterinaria.
- La precisión de la información generada por IA para los dueños de mascotas necesita una evaluación exhaustiva.
Objetivo del estudio:
- Evaluar la precisión, consistencia y adecuación clínica de las respuestas de los LLM a las preguntas frecuentes de odontología veterinaria.
- Comparar el rendimiento de diferentes LLM en la provisión de materiales de educación para el cliente.
- Identificar los riesgos y beneficios potenciales del uso de LLM en la comunicación con el cliente veterinario.
Principales métodos:
- Se identificaron seis preguntas frecuentes comunes sobre odontología veterinaria y se enviaron a varios LLM (ChatGPT-5, Gemini 2.5 Flash, Claude Sonnet 4.5, Perplexity, Qwen3-Max, DeepSeek).
- Las respuestas generadas por IA se compararon con las respuestas de referencia revisadas por expertos.
- Las respuestas fueron evaluadas por expertos y novatos en veterinaria en cuanto a precisión, consistencia y adecuación clínica utilizando una escala Likert.
- El análisis estadístico incluyó el kappa de Cohen para la concordancia entre evaluadores y la prueba de McNemar para comparaciones de modelos.
Principales resultados:
- ChatGPT-5 demostró la mayor alineación con el contenido experto, seguido de Claude Sonnet 4.5.
- Se observó una concordancia sustancial entre evaluadores (κ = 0.68) entre los expertos evaluadores.
- Se identificaron imprecisiones clínicamente relevantes en varios modelos, particularmente en relación con los requisitos y la seguridad de la anestesia.
- Se observaron discrepancias en la evaluación entre evaluadores expertos y novatos para preguntas relacionadas con la anestesia.
Conclusiones:
- Los LLM pueden ayudar potencialmente a la educación del cliente en odontología veterinaria.
- La supervisión experta es esencial para garantizar la precisión clínica y la seguridad de la información generada por IA.
- Se necesita una mayor refinación de los LLM para abordar matices clínicos específicos, como los protocolos de anestesia.
