Modelos de Lenguaje Grandes en la Comunicación Radiólogo-Paciente: Una Revisión Narrativa para la Práctica Clínica

Área de la Ciencia:

• Radiología e Inteligencia Artificial
• Procesamiento de Lenguaje Natural Clínico
• Informática Médica

Sus antecedentes:

• Los modelos de lenguaje grandes (LLM) ofrecen potencial en radiología para la simplificación de informes, traducción y comunicación con el paciente.
• El valor clínico y la seguridad de los LLM en radiología siguen siendo inciertos, lo que requiere una revisión exhaustiva de la evidencia actual.

Objetivo del estudio:

• Sintetizar la evidencia sobre el uso de LLM mediado por el clínico en radiología en la simplificación de informes, traducción, educación del paciente y actitudes del paciente.
• Identificar las brechas de evidencia clave y proporcionar recomendaciones para la implementación responsable de LLM en la práctica clínica.

Principales métodos:

• Una revisión narrativa que se adhiere a los criterios de calidad SANRA.
• Síntesis de evidencia de 49 estudios publicados entre 2020 y 2025.
• Enfoque en aplicaciones de LLM mediadas por el clínico en cuatro dominios clave.

Principales resultados:

• Los LLM mejoraron la legibilidad de los informes en 2-6 niveles de grado; la comprensión del paciente requiere más estudio.
• Se necesitó revisión profesional para hasta el 80% de las salidas en entornos controlados; ocurrieron errores fácticos en el 0-10%.
• La calidad de la traducción varió según el recurso lingüístico y la aceptación del paciente fue alta con una supervisión clínica explícita.

Conclusiones:

• Los LLM muestran promesa para tareas específicas de radiología como resúmenes y borradores de traducción bajo un despliegue supervisado y alojado en la institución.
• El despliegue autónomo de LLM o el auto-uso directo por parte del paciente no están actualmente respaldados por la evidencia.
• Se necesita más investigación sobre los resultados de comprensión, la integración del flujo de trabajo y la validación en el mundo real.