{"id":394645,"date":"2025-02-17T00:01:00","date_gmt":"2025-02-16T23:01:00","guid":{"rendered":"https:\/\/medizinonline.com\/?p=394645"},"modified":"2025-02-24T16:41:33","modified_gmt":"2025-02-24T15:41:33","slug":"dr-chatgpt-grandes-modelos-lingueisticos-en-la-practica-clinica-diaria","status":"publish","type":"post","link":"https:\/\/medizinonline.com\/es\/dr-chatgpt-grandes-modelos-lingueisticos-en-la-practica-clinica-diaria\/","title":{"rendered":"Dr ChatGPT: Grandes modelos ling\u00fc\u00edsticos en la pr\u00e1ctica cl\u00ednica diaria"},"content":{"rendered":"\n

Con la disponibilidad p\u00fablica de ChatGPT 3.5 en oto\u00f1o de 2022 a m\u00e1s tardar, la inteligencia artificial en el sentido de los grandes modelos ling\u00fc\u00edsticos (LLM <\/em>) est\u00e1 en boca de todos. Sin embargo, a menudo se olvida que esto no es m\u00e1s que el punto final provisional de d\u00e9cadas de desarrollo de la inteligencia artificial, que, a pesar de su gran potencial, sigue teniendo muchas limitaciones. Para los m\u00e9dicos en ejercicio, se plantea la cuesti\u00f3n de c\u00f3mo puede utilizarse esta tecnolog\u00eda de forma sensata en la pr\u00e1ctica cl\u00ednica diaria, y c\u00f3mo es mejor no utilizarla. <\/strong><\/p>\n\n\n\n

\n\t
\n\t\t\n\n

Puede realizar el examen CME en nuestra plataforma de aprendizaje despu\u00e9s de revisar los materiales recomendados.\nHaga clic en el siguiente bot\u00f3n: <\/p>\n\n\n\n

\n
Iniciar la prueba CME<\/a><\/div>\n<\/div>\n\n\t<\/div>\n\t<\/div>\n\n

Con la disponibilidad p\u00fablica de ChatGPT 3.5 en oto\u00f1o de 2022 a m\u00e1s tardar, la inteligencia artificial en el sentido de los grandes modelos ling\u00fc\u00edsticos (LLM <\/em>) est\u00e1 en boca de todos. Sin embargo, a menudo se olvida que esto no es m\u00e1s que el punto final provisional de d\u00e9cadas de desarrollo de la inteligencia artificial, que, a pesar de su gran potencial, sigue teniendo muchas limitaciones. <\/p>\n\n

Para los m\u00e9dicos en ejercicio, se plantea la cuesti\u00f3n de c\u00f3mo puede utilizarse con sensatez esta fascinante tecnolog\u00eda en la pr\u00e1ctica cl\u00ednica diaria… y c\u00f3mo no utilizarla. Con esta CME, queremos ofrecer aqu\u00ed una ayuda concreta. <\/p>\n\n

Vi\u00f1eta de caso – Parte 1<\/h5>\n\n

Una paciente de 44 a\u00f1os acude a la consulta de su m\u00e9dico de cabecera con dolor en la parte inferior izquierda del abdomen. Los s\u00edntomas comenzaron hace unos d\u00edas y ahora aumentan de forma constante. La paciente se encuentra en buen estado de salud general con constantes vitales estables. Presenta una sensibilidad m\u00ednima en la parte inferior izquierda del abdomen. No hay fiebre, los valores de inflamaci\u00f3n est\u00e1n ligeramente elevados. Se sospecha de diverticulitis. <\/p>\n\n

El joven colega de la consulta de medicina general est\u00e1 entusiasmado con las posibilidades de los grandes modelos ling\u00fc\u00edsticos y tambi\u00e9n le gustar\u00eda utilizarlos en su pr\u00e1ctica cl\u00ednica diaria.<\/p>\n\n

Fundamentos t\u00e9cnicos [1]<\/h3>\n\n

Los grandes modelos ling\u00fc\u00edsticos (LLM) son una rama de la inteligencia artificial o del aprendizaje autom\u00e1tico <\/em>que se ocupa del procesamiento del lenguaje natural. <\/em>Consisten en una red con docenas de capas<\/em> y miles de millones o probablemente billones de conexiones (par\u00e1metros).<\/em> Como esta estructura es similar a la de un cerebro biol\u00f3gico, se ha impuesto el t\u00e9rmino “red neuronal”.<\/p>\n\n

La red se entrena con un amplio corpus de texto que suele estar disponible gratuitamente en Internet. No todos los fabricantes revelan el alcance exacto de los datos de entrenamiento. El entrenamiento es tanto automatizado (no supervisado) como dirigido por humanos (parcialmente supervisado) y consume mucho tiempo y recursos. La supervisi\u00f3n humana es necesaria para aumentar la calidad del aprendizaje y garantizar que no predomine el lenguaje negativo o agresivo. Al mismo tiempo, esta supervisi\u00f3n humana es tambi\u00e9n un \u00e1rea problem\u00e1tica, ya que los examinadores suelen estar mal pagados y posiblemente poco formados. <\/p>\n\n

Durante el entrenamiento, los datos de entrenamiento se fragmentan (tokenizan <\/em>) en peque\u00f1os fragmentos como palabras o partes cortas de palabras y las conexiones entre ellos se ponderan en la red. Las conexiones frecuentes se refuerzan, las poco frecuentes se debilitan. Como resultado, la red desarrolla un conocimiento profundo de la estructura de la lengua en los datos de entrenamiento. Dependiendo de la configuraci\u00f3n b\u00e1sica y de los datos de entrenamiento, una red puede especializarse para tareas espec\u00edficas, por ejemplo, la traducci\u00f3n de idiomas. En la actualidad, las LLM son en su mayor\u00eda “generalistas” sin una especializaci\u00f3n clara. <\/p>\n\n

<\/p>\n\n

Sociedad Suiza de Inform\u00e1tica M\u00e9dica (SGMI)<\/strong><\/td><\/tr>
La Sociedad Suiza de Inform\u00e1tica M\u00e9dica (SGMI) promueve el estudio, el desarrollo y el uso de herramientas inform\u00e1ticas en el sector sanitario. Como organizaci\u00f3n neutral, el aspecto cient\u00edfico (eficacia, prueba de beneficios, conveniencia) es importante para nosotros en la difusi\u00f3n de las herramientas inform\u00e1ticas en la pr\u00e1ctica cl\u00ednica diaria (inform\u00e1tica m\u00e9dica basada en pruebas). En consecuencia, la SGMI tambi\u00e9n se ve a s\u00ed misma como un socio prudente y fiable en el \u00e1mbito de la integraci\u00f3n de sistemas, el dise\u00f1o de procesos, la transferencia de datos y el uso en un ecosistema socio-t\u00e9cnico sanitario lo m\u00e1s orientado posible a las normas. <\/td><\/tr>
Como parte de sus actividades, la SGMI organiza anualmente en oto\u00f1o la cumbre suiza de la e-salud. Tambi\u00e9n publica peri\u00f3dicamente directrices sobre temas importantes de la inform\u00e1tica m\u00e9dica (MENTOR). En septiembre de 2023, public\u00f3 un MENTOR sobre el tema “Los LLM en la pr\u00e1ctica cl\u00ednica diaria”, que sirvi\u00f3 de base para este art\u00edculo [1]. <\/td><\/tr>
> www.sgmi-ssim.ch<\/a><\/strong><\/td><\/tr><\/tbody><\/table><\/figure>\n\n

Una vez finalizado el entrenamiento, la red y las conexiones ponderadas permanecen inalteradas. En este estado ya no es posible realizar cambios fundamentales en la red, pero a\u00fan puede fijarse el comportamiento de la respuesta. Por ejemplo, pueden fijarse la longitud de la respuesta, el estilo del lenguaje, las repeticiones de palabras y la aleatoriedad. <\/p>\n\n

Ahora se puede interactuar con esta red totalmente entrenada. Esto suele hacerse a trav\u00e9s de un chat en una p\u00e1gina web o una aplicaci\u00f3n para smartphone, pero tambi\u00e9n son posibles las conexiones t\u00e9cnicas directas a trav\u00e9s de interfaces web (v\u00e9anse ejemplos en la Tabla 1). <\/strong>La consulta (prompt)<\/em> se prepara y se introduce en el LLM. A continuaci\u00f3n, el LLM genera iterativamente una respuesta palabra por palabra (m\u00e1s exactamente: token por token). La siguiente palabra se selecciona de una lista de las siguientes palabras m\u00e1s probables. Esta selecci\u00f3n es aleatoria hasta cierto punto para que la generaci\u00f3n del texto parezca m\u00e1s creativa (“humana”). El grado de aleatoriedad puede ser fijado por los proveedores de la LLM o influido mediante una solicitud dirigida, pero en cualquier caso excluye la reproducibilidad completa de la respuesta (tambi\u00e9n porque no todas las solicitudes se responden con la misma instancia de las LLM disponibles). <\/p>\n

\n
\"\"<\/a><\/figure>\n<\/div>\n

Para obtener los mejores resultados posibles, es importante seguir ciertas reglas al realizar una consulta y proporcionar un contexto lo m\u00e1s preciso posible. Este proceso -generar las mejores consultas posibles- se conoce como ingenier\u00eda de consultas<\/em> (Tabla 2).<\/strong> Dependiendo del tipo de solicitud, los grandes proveedores tambi\u00e9n pueden utilizar diferentes LLM “especializados” en segundo plano. La figura 1<\/strong> ofrece una visi\u00f3n simplificada del funcionamiento de un LLM. <\/p>\n

\n
\"\"<\/a><\/figure>\n<\/div>
\n
\"\"<\/a><\/figure>\n<\/div>\n

<\/p>\n\n

Ventajas y desventajas<\/h3>\n\n

Los LLM modernos son sorprendentemente buenos imitando el habla humana. Esta capacidad es fundamentalmente independiente de la lengua de entrada utilizada, siempre que esta lengua est\u00e9 disponible en cantidad suficiente en los datos de entrenamiento. <\/p>\n\n

En los \u00faltimos LLM se dispone t\u00e9cnicamente de una gran parte de los conocimientos libres de Internet. Sin embargo, debido a su funcionamiento, no es posible que un LLM desarrolle sus propios conceptos y pensamientos (aut\u00e9ntica creatividad), sino que se limita a recombinar y reproducir los conocimientos disponibles del corpus de textos. <\/p>\n\n

\n

Recuerde: \u00a1los LLM generan lenguaje, no conocimiento!<\/p>\n<\/blockquote>\n\n

Sin embargo, el modo de funcionamiento descrito tambi\u00e9n tiene algunas desventajas de las que los usuarios deben ser conscientes en todo momento. Por ejemplo, los LLM tienden a inventarse respuestas (alucinar) <\/em>en lugar de admitir su ignorancia. Esto tiene que ver con el hecho de que en tales casos las palabras menos probables simplemente se a\u00f1aden a la respuesta y ocurre especialmente cuando una respuesta se basa en datos de entrenamiento limitados, por ejemplo en el caso de una enfermedad rara. Aunque este riesgo puede reducirse mediante una buena configuraci\u00f3n de los modelos, las alucinaciones no reconocidas siguen siendo un riesgo importante cuando se utilizan los LLM. Adem\u00e1s, los LLM tambi\u00e9n pueden verse influidos negativamente por las indicaciones selectivas [2]. <\/p>\n\n

Debido a la falta de una comprensi\u00f3n global y a la selecci\u00f3n aleatoria de la siguiente ficha, los LLM muestran problemas al tratar con la l\u00f3gica y las matem\u00e1ticas. Esto dificulta la reproducibilidad de una respuesta y, por tanto, su uso en la investigaci\u00f3n y en un contexto m\u00e9dico-legal. <\/p>\n\n

Otro problema de los LLM cl\u00e1sicos es la actualidad de los datos, ya que los conocimientos del LLM dejan de ampliarse una vez finalizado el entrenamiento. Los LLM modernos ofrecen la opci\u00f3n de proporcionar un contexto adicional actualizado, por ejemplo, a partir de una b\u00fasqueda bibliogr\u00e1fica (generaci\u00f3n aumentada por recuperaci\u00f3n, <\/em>RAG), lo que mitiga el problema y mejora la fiabilidad de la respuesta. En este contexto, el LLM puede incluso proporcionar informaci\u00f3n fiable sobre la fuente, lo que de otro modo no ser\u00eda posible. Por lo tanto, el usuario debe ser consciente de con qu\u00e9 variante de LLM se est\u00e1 comunicando. <\/p>\n\n

Por \u00faltimo, hay toda una serie de aspectos legales, normativos y \u00e9ticos, como la protecci\u00f3n de datos, la responsabilidad y los derechos de autor, que a\u00fan no han sido suficientemente aclarados por la sociedad en su conjunto y que son fuente de gran incertidumbre para el uso correcto de los LLM, sobre todo en la pr\u00e1ctica m\u00e9dica diaria. Los sistemas con autonom\u00eda nacional (sobre todo en el \u00e1mbito de la protecci\u00f3n de datos y la legislaci\u00f3n suiza) pueden ofrecer aqu\u00ed un remedio parcial. Health Info Net AG (HIN) – tradicionalmente asociada a la seguridad en el intercambio de datos en el sistema sanitario suizo – parece estar entablando aqu\u00ed una colaboraci\u00f3n con SwissGPT. Sin embargo, a\u00fan no es posible evaluar su penetraci\u00f3n y aceptaci\u00f3n en el mercado. <\/p>\n\n

\n

Recuerde: \u00a1No todo lo que funciona est\u00e1 permitido!<\/p>\n<\/blockquote>\n\n

\u00c1mbitos de aplicaci\u00f3n<\/h3>\n\n

Vi\u00f1eta de caso – Parte 2<\/h5>\n\n

Para estar m\u00e1s segura, la joven colega, todav\u00eda algo inexperta, consulta a un LLM, que tambi\u00e9n menciona la diverticulitis como diagn\u00f3stico diferencial m\u00e1s probable. El LLM tambi\u00e9n menciona la torsi\u00f3n o quiste ov\u00e1rico y los c\u00e1lculos renales como posibles diagn\u00f3sticos diferenciales. El examen ecogr\u00e1fico focalizado revela hallazgos compatibles con diverticulitis. No hay indicios de un curso localmente complicado. <\/p>\n\n

El LLM sugiere una terapia antibi\u00f3tica ambulatoria y una colonoscopia de seguimiento al cabo de unas semanas. El colega y la paciente aceptan esta propuesta de tratamiento. La paciente se recupera seg\u00fan lo previsto en unos d\u00edas. <\/p>\n

\n
\"\"<\/a><\/figure>\n<\/div>\n

Realizaci\u00f3n de diagn\u00f3sticos y razonamiento diagn\u00f3stico<\/em><\/h3>\n\n

El hecho de que los amplios conocimientos del Dr. ChatGPT apoyen a los m\u00e9dicos en el proceso de diagn\u00f3stico y en las decisiones de tratamiento parece una aplicaci\u00f3n obvia.<\/p>\n\n

Al fin y al cabo, los LLM modernos aprueban el examen estatal de medicina de EE.UU. (USMLE) con altas puntuaciones de m\u00e1s del 90% con los \u00faltimos LLM [3]. Esto no resulta sorprendente si se examina m\u00e1s detenidamente, ya que estas vi\u00f1etas de casos est\u00e1n muy estructuradas y resumen toda la informaci\u00f3n necesaria para realizar un diagn\u00f3stico o responder a la pregunta. Adem\u00e1s, es probable que muchas de las preguntas ya estuvieran presentes en el conjunto de datos de entrenamiento de los LLM. <\/p>\n\n

Resulta m\u00e1s interesante cuando los LLM tienen que adquirir informaci\u00f3n sobre los propios pacientes en un proceso de diagn\u00f3stico. En este caso, los resultados son mucho menos impresionantes [4]. Esto tampoco es realmente sorprendente, ya que una gran cantidad de informaci\u00f3n a\u00fan no est\u00e1 disponible o no lo est\u00e1 en formato digital, especialmente en la fase inicial de un diagn\u00f3stico, pero un LLM necesita la informaci\u00f3n m\u00e1s detallada posible para obtener los mejores resultados. Adem\u00e1s, su debilidad fundamental para tratar con n\u00fameros les dificulta la interpretaci\u00f3n de las constantes vitales y los valores de laboratorio. <\/p>\n\n

Debido a su modo de funcionamiento, un LLM resulta ahora adecuado principalmente como medio para reconocer posibles patrones a partir de un conjunto de informaci\u00f3n proporcionada que a\u00fan puede permanecer oculta para el m\u00e9dico, es decir, principalmente para el diagn\u00f3stico diferencial. <\/p>\n\n

Su uso generalizado en la pr\u00e1ctica cl\u00ednica diaria para el apoyo a la toma de decisiones tambi\u00e9n se ve limitado por los requisitos aplicables en materia de responsabilidad, protecci\u00f3n de datos y certificaci\u00f3n como producto m\u00e9dico.<\/p>\n\n

Recomendaciones de tratamiento y b\u00fasqueda bibliogr\u00e1fica<\/h3>\n\n

Dado que la mayor\u00eda de las directrices de tratamiento est\u00e1n disponibles gratuitamente en Internet, no es de extra\u00f1ar que los LLM tambi\u00e9n puedan hacer recomendaciones de tratamiento acordes con las directrices. El principal problema aqu\u00ed es la limitaci\u00f3n temporal de los datos de entrenamiento. Las directrices y los resultados de estudios m\u00e1s recientes no suelen estar entrenados en el LLM. En el caso concreto del ejemplo, obviamente falta la opci\u00f3n de tratamiento m\u00e1s reciente “vigilar y esperar” para la diverticulitis no complicada y los factores de riesgo ausentes [5]. Las obras de referencia y las bases de datos bibliogr\u00e1ficas de alta calidad y con mantenimiento editorial siguen teniendo la ventaja de estar actualizadas. <\/p>\n\n

Otro factor que complica la situaci\u00f3n es la incapacidad de los LLM cl\u00e1sicos para citar la fuente exacta. Siempre quedar\u00e1 poco claro a qu\u00e9 versiones de directrices se refiere el LLM y si ha mezclado directrices diferentes. En este caso, las GAR mencionadas anteriormente pueden proporcionar resultados mucho m\u00e1s fiables. Si se utilizan para buscar en Pubmed, por ejemplo, la relevancia de los resultados de la b\u00fasqueda puede mejorar significativamente [6]. Otra ventaja de este m\u00e9todo es que los estudios encontrados tambi\u00e9n pueden a\u00f1adirse al LLM como contexto y todas sus funcionalidades, como resumir, traducir y analizar, pueden utilizarse despu\u00e9s en el trabajo original. <\/p>\n\n

Los LLM modernos tambi\u00e9n ofrecen la opci\u00f3n de proporcionar manualmente un contexto adicional durante la investigaci\u00f3n. Por ejemplo, se puede adjuntar un estudio encontrado y as\u00ed resumirlo y analizarlo r\u00e1pidamente. Sin embargo, hay que tener en cuenta que existe un l\u00edmite en cuanto a lo “grande” que puede ser una consulta, especialmente con las versiones gratuitas de los LLM. Por tanto, debe comprobarse en cada caso el tama\u00f1o real posible de la entrada o del contexto (l\u00edmite de contexto)<\/em>. Adem\u00e1s, estos res\u00famenes no est\u00e1n exentos de alucinaciones. <\/p>\n\n

Vi\u00f1eta de caso – Parte 3<\/h5>\n\n

Por desgracia, la colonoscopia de seguimiento realizada unas semanas m\u00e1s tarde revel\u00f3 un diagn\u00f3stico de adenocarcinoma de colon sigmoide sin pruebas de imagen de met\u00e1stasis local o a distancia (estadio I de la UICC). <\/p>\n\n

El colega de la consulta no est\u00e1 seguro de cu\u00e1l es la mejor manera de comunicar los resultados desfavorables a la joven madre. Recurre a un LLM para prepararse para la dif\u00edcil conversaci\u00f3n. <\/p>\n\n

Durante la consulta, recurre a un LLM para explicar los hechos m\u00e9dicos a la paciente de forma sencilla y en su portugu\u00e9s nativo. A petici\u00f3n de la paciente, tambi\u00e9n hace traducir su breve informe m\u00e9dico al portugu\u00e9s por un LLM. <\/p>\n\n

Gesti\u00f3n de la conversaci\u00f3n<\/h3>\n\n

A primera vista, parece contraintuitivo pedir consejo a una m\u00e1quina en lo que se supone que es la “disciplina parangonable” humana de la comunicaci\u00f3n. Sin embargo, dado que la funci\u00f3n principal de los LLM es imitar el habla humana lo m\u00e1s fielmente posible, este planteamiento ya no parece tan descabellado a segunda vista. As\u00ed, algunos estudios ya han demostrado que los LLM modernos son capaces de dar respuestas que contienen elementos de “empat\u00eda”, que luego tambi\u00e9n son interpretadas como “emp\u00e1ticas” por el interlocutor humano [7]. Con las indicaciones adecuadas, se pueden reproducir diversas t\u00e9cnicas para dirigir la conversaci\u00f3n y variantes de la misma, lo que puede dar una confianza adicional sobre todo a los m\u00e9dicos inexpertos. Por supuesto, esto no libera al m\u00e9dico de la comunicaci\u00f3n emp\u00e1tica y directa final con el paciente. <\/p>\n\n

Educaci\u00f3n del paciente <\/h3>\n\n

Cuando se les instruye adecuadamente, los LLM son muy buenos a la hora de presentar contenidos m\u00e9dicos especializados en un lenguaje f\u00e1cil de entender. Por lo tanto, sin duda merece la pena intentar utilizar herramientas basadas en los LLM en la educaci\u00f3n del paciente. Sin embargo, es importante que el paciente siga estando supervisado de cerca por un m\u00e9dico. El deber del m\u00e9dico de proporcionar informaci\u00f3n no puede delegarse en un LLM. <\/p>\n\n

Traducci\u00f3n de<\/h3>\n\n

Los LLM pueden traducir muy bien entre distintos idiomas. Esto funciona no s\u00f3lo con las lenguas naturales, sino tambi\u00e9n con construcciones ling\u00fc\u00edsticas artificiales como los lenguajes de programaci\u00f3n. Los LLM que han sido entrenados espec\u00edficamente para traducciones (por ejemplo, deepl.com<\/a>) probablemente siguen siendo superiores a los generalistas (por ejemplo, ChatGPT) en cuanto a precisi\u00f3n, aunque estos \u00faltimos tambi\u00e9n ofrecen resultados impresionantes, sobre todo en las \u00faltimas versiones. En cuanto a la idoneidad espec\u00edfica para las traducciones m\u00e9dicas, est\u00e1 claro que los LLM peque\u00f1os que han sido entrenados espec\u00edficamente para esta tarea siguen siendo actualmente superiores a los modelos grandes [8]. La traducci\u00f3n funciona significativamente peor si la lengua deseada rara vez estaba presente en los datos de entrenamiento. <\/p>\n\n

En general, la aplicaci\u00f3n est\u00e1 actualmente limitada en el \u00e1mbito m\u00e9dico por dos razones: Por un lado, los documentos originales completos no pueden cargarse y traducirse por cuestiones de protecci\u00f3n de datos; por otro, el m\u00e9dico traductor sigue siendo el responsable \u00faltimo de la exactitud del contenido, lo que significa que sigue siendo necesaria una traducci\u00f3n profesional para los informes cr\u00edticos. Si se utilizan LLM, es aconsejable traducir \u00fanicamente a idiomas en los que al menos se pueda comprobar la verosimilitud de las propias traducciones. <\/p>\n\n

Vi\u00f1eta de caso – Parte 4<\/h5>\n\n

La hemicolectom\u00eda izquierda prevista se realiza sin complicaciones. El tumor primario puede extirparse por completo y los ganglios linf\u00e1ticos mesent\u00e9ricos extirpados est\u00e1n libres de tumor. En el postoperatorio, la paciente se recupera de la operaci\u00f3n sin problemas y puede volver a casa al poco tiempo. Permanece libre de tumor en el postoperatorio oncol\u00f3gico. <\/p>\n\n

El cirujano visceral que realiza la operaci\u00f3n utiliza un LLM para crear las notas de la consulta de ingreso y los informes de la operaci\u00f3n y el alta. Por \u00faltimo, la administraci\u00f3n del hospital que realiza la operaci\u00f3n utiliza un LLM para precodificar el caso seg\u00fan el Swiss-DRG a partir de la documentaci\u00f3n disponible en el sistema de informaci\u00f3n hospitalaria (HIS). <\/p>\n\n

Informar<\/h3>\n\n

La generaci\u00f3n de nuevos textos es una disciplina central de los LLM modernos. Normalmente se consigue con una calidad sem\u00e1ntica muy buena. La calidad del contenido, por otra parte, depende en gran medida del contexto disponible. Cuantos m\u00e1s detalles tenga a su disposici\u00f3n el LLM, m\u00e1s preciso ser\u00e1 el texto generado. Por ello, en la pr\u00e1ctica cl\u00ednica diaria, los informes estandarizados son principalmente adecuados para la generaci\u00f3n autom\u00e1tica, por ejemplo, operaciones est\u00e1ndar, intervenciones o solicitudes de reembolso. Los informes m\u00e1s complejos con mucho contexto cl\u00ednico tienen mucho menos \u00e9xito, ya que tendr\u00edan que generarse directamente desde el sistema de informaci\u00f3n del hospital o la consulta y tener acceso a todo el contexto del tratamiento, lo que -tal y como est\u00e1n las cosas hoy en d\u00eda- a\u00fan no est\u00e1 suficientemente logrado. <\/p>\n\n

Si los informes se generan con LLM, es responsabilidad del m\u00e9dico registrador comprobar la plausibilidad del contenido generado y aprobarlo. Esto no debe subestimarse, ya que los errores en el contenido suelen ser m\u00e1s dif\u00edciles de detectar debido a la buena calidad sem\u00e1ntica. La protecci\u00f3n de datos tambi\u00e9n debe garantizarse en todo momento, especialmente si se proporcionan historiales m\u00e9dicos completos al LLM como contexto. <\/p>\n\n

Notas de conversaci\u00f3n<\/h3>\n\n

Cada vez m\u00e1s, tambi\u00e9n salen al mercado productos que utilizan micr\u00f3fonos (por ejemplo, en los tel\u00e9fonos inteligentes) para grabar las conversaciones con los pacientes -incluso en dialecto (\u00a1!)- y transcribirlas al lenguaje escrito mediante un LLM y, si es necesario, estructurarlas y resumirlas para la historia cl\u00ednica. Tambi\u00e9n en este caso se aplican las mismas medidas y normas de precauci\u00f3n en cuanto a las alucinaciones y las condiciones del marco m\u00e9dico-legal, que deben ser exigidas en consecuencia por los fabricantes de software. Adem\u00e1s, a\u00fan no se han aclarado muchas cuestiones relativas a los aspectos legales de la solicitud de estos archivos de audio. En cualquier caso, todas las partes implicadas deben estar de acuerdo con las grabaciones. <\/p>\n\n

Codificaci\u00f3n\/clasificaci\u00f3n<\/h3>\n\n

Reconocer patrones incluso en datos no estructurados es una capacidad importante de los LLM. La idea de que los LLM puedan derivar informaci\u00f3n estructurada de la gran cantidad de datos de texto libre no estructurados que se generan a diario en la documentaci\u00f3n cl\u00ednica y hacer as\u00ed accesible el procesamiento de estos datos para la facturaci\u00f3n o la estad\u00edstica, por ejemplo, es correspondientemente prometedora. Esto es posible, pero el LLM debe recibir una formaci\u00f3n espec\u00edfica para ello. Los “LLM generalistas” habituales son mucho menos fiables cuando se trata de codificaci\u00f3n\/clasificaci\u00f3n. A menudo se mezclan diferentes cat\u00e1logos y c\u00f3digos o simplemente se inventan c\u00f3digos (alucinan).<\/em> <\/p>\n\n

Sin embargo, es probable que s\u00f3lo sea cuesti\u00f3n de tiempo que las LLM debidamente especializadas encuentren su camino en el software de codificaci\u00f3n. Pero tambi\u00e9n en este caso, por el momento los resultados tendr\u00e1n que ser comprobados en cuanto a su plausibilidad y aprobados por codificadores humanos, sobre todo porque el conjunto puro de reglas (por ejemplo, SwissDRG) no est\u00e1 disponible de forma estructurada, lo que en general ser\u00eda muy deseable. <\/p>\n\n

Resumen<\/h3>\n\n

Como cualquier innovaci\u00f3n tecnol\u00f3gica, el uso de los LLM en la pr\u00e1ctica cl\u00ednica diaria ofrece tanto oportunidades como riesgos. Ni la confianza ciega ni el rechazo estricto son convenientes. Le recomendamos que se familiarice con la nueva tecnolog\u00eda y que limite inicialmente su uso a una tarea sencilla en un \u00e1rea en la que tenga un alto nivel de experiencia. De este modo, podr\u00e1 hacerse r\u00e1pidamente una idea de las posibilidades y limitaciones de las LLM y ampliar poco a poco su uso a partir de ah\u00ed. No obstante, antes de cualquier uso en un contexto m\u00e9dico, siempre hay que tener en cuenta la normativa administrativa, jur\u00eddica y \u00e9tica aplicable. <\/p>\n\n

En general, las nuevas tecnolog\u00edas y terapias forman parte de la vida cotidiana de los m\u00e9dicos. Hemos aprendido a abordarlas con una saludable dosis de escepticismo y a no utilizarlas sin m\u00e1s y de forma acr\u00edtica con nuestros pacientes. Tambi\u00e9n debemos aplicar estos principios cient\u00edficos de eficacia e idoneidad cuando utilicemos las LLM en la pr\u00e1ctica cl\u00ednica diaria y exig\u00edrselos a los proveedores de estas herramientas, sobre todo porque los problemas m\u00e1s fundamentales de las LLM -las alucinaciones y la reproducibilidad- siguen sin resolverse y quiz\u00e1 sigan as\u00ed. En este contexto, tambi\u00e9n habr\u00e1 que debatir si -como ya ocurre<\/em> con los sistemas puros de reconocimiento del habla- deben aceptarse como inevitables los compromisos cualitativos. <\/p>\n\n

En estas condiciones, podemos conseguir en los pr\u00f3ximos meses y a\u00f1os utilizar esta nueva tecnolog\u00eda en la pr\u00e1ctica cl\u00ednica diaria en beneficio nuestro y de nuestros pacientes.<\/p>\n\n

Mensajes para llevar a casa<\/strong><\/p>\n\n