El presente Trabajo de Fin de Grado explora la unión de la inteligencia artificial y la medicina, abordando uno de los grandes retos actuales: cómo transformar la creciente cantidad de información médica en conocimiento útil para el diagnóstico.
En un contexto donde la literatura médica se duplica cada 73 días y los profesionales disponen de apenas 6 a 10 minutos por paciente, la necesidad de herramientas inteligentes de apoyo al diagnóstico se vuelve crítica.
Esta investigación compara el potencial de tres enfoques de procesamiento del lenguaje natural aplicados al diagnóstico médico:
Modelos generalistas sin entrenamiento específico, evaluando su capacidad para comprender y responder a consultas clínicas complejas.
Fine-tuning, que adapta un modelo con conocimientos generales al dominio médico mediante exposición a miles de casos clínicos, síntomas y tratamientos.
Retrieval-Augmented Generation (RAG), un sistema que combina generación de texto con recuperación de información médica actualizada, permitiendo respuestas fundamentadas en evidencia reciente sin necesidad de entrenar el modelo.
La metodología desarrollada incluye la creación de un conjunto de datos clínicos mediante técnicas avanzadas de web scraping, extrayendo información verificada de fuentes médicas reconocidas como Mayo Clinic y RxList, generando un dataset estructurado de 1.150 enfermedades y 3.929 fármacos, estableciendo relaciones semánticas complejas entre síntomas, diagnósticos y tratamientos.
La evaluación se basó en métricas avanzadas que van más allá de la coherencia textual, incluyendo precisión diagnóstica, contextualización clínica, eficiencia temporal y fiabilidad. Además, se utilizó la herramienta RAGAS para medir aspectos como la relevancia del contexto recuperado y la precisión de las respuestas al contenido médico.
El proyecto culmina con el diseño de un agente conversacional clínico que integra el enfoque más eficaz, capaz de analizar síntomas, generar diagnósticos diferenciales y justificar sus respuestas con evidencia científica. Más allá de lo técnico, esta propuesta contribuye al desarrollo de una medicina más personalizada, donde la inteligencia artificial complementa y amplifica el juicio clínico humano.
El presente Trabajo de Fin de Grado explora la unión de la inteligencia artificial y la medicina, abordando uno de los grandes retos actuales: cómo transformar la creciente cantidad de información médica en conocimiento útil para el diagnóstico.
En un contexto donde la literatura médica se duplica cada 73 días y los profesionales disponen de apenas 6 a 10 minutos por paciente, la necesidad de herramientas inteligentes de apoyo al diagnóstico se vuelve crítica.
Esta investigación compara el potencial de tres enfoques de procesamiento del lenguaje natural aplicados al diagnóstico médico:
Modelos generalistas sin entrenamiento específico, evaluando su capacidad para comprender y responder a consultas clínicas complejas.
Fine-tuning, que adapta un modelo con conocimientos generales al dominio médico mediante exposición a miles de casos clínicos, síntomas y tratamientos.
Retrieval-Augmented Generation (RAG), un sistema que combina generación de texto con recuperación de información médica actualizada, permitiendo respuestas fundamentadas en evidencia reciente sin necesidad de entrenar el modelo.
La metodología desarrollada incluye la creación de un conjunto de datos clínicos mediante técnicas avanzadas de web scraping, extrayendo información verificada de fuentes médicas reconocidas como Mayo Clinic y RxList, generando un dataset estructurado de 1.150 enfermedades y 3.929 fármacos, estableciendo relaciones semánticas complejas entre síntomas, diagnósticos y tratamientos.
La evaluación se basó en métricas avanzadas que van más allá de la coherencia textual, incluyendo precisión diagnóstica, contextualización clínica, eficiencia temporal y fiabilidad. Además, se utilizó la herramienta RAGAS para medir aspectos como la relevancia del contexto recuperado y la precisión de las respuestas al contenido médico.
El proyecto culmina con el diseño de un agente conversacional clínico que integra el enfoque más eficaz, capaz de analizar síntomas, generar diagnósticos diferenciales y justificar sus respuestas con evidencia científica. Más allá de lo técnico, esta propuesta contribuye al desarrollo de una medicina más personalizada, donde la inteligencia artificial complementa y amplifica el juicio clínico humano. Read More
Related posts:
Inteligencia artificial y gestión de la cadena de abastecimiento
Implementación de herramientas de IA en Microsoft Word utilizando VBA para análisis y formateo de documentos de gestión de proyectos
“La inteligencia artificial es un ‘must’. Es un sí o sí”
Revolución en la seguridad vial con Orca Routes
Exploración y desarrollo de asistente virtual de soporte técnico con búsqueda semántica / arquitectura RAG para la Universidad Politécnica de Madrid
Inteligencia artificial en la gestión de almacenes: una nueva herramienta para optimizar la logística