En los últimos años, las nuevas tecnologías impulsadas por la inteligencia artificial (IA) han revolucionado la manera en que se aborda el análisis médico. Uno de los avances más prometedores en este ámbito es la implementación de modelos de lenguaje a gran escala (LLMs, por sus siglas en inglés) para responder preguntas complejas del ámbito médico. Si bien estas herramientas poseen un notable conocimiento en ciencias de la salud, todavía enfrentan retos significativos, como la generación de información inexacta, conocida en el argot técnico como “alucinación”.
Para abordar este problema, se ha desarrollado la Generación Aumentada por Recuperación (o RAG), que mejora la capacidad de los LLMs para responder a preguntas médicas al integrar conocimientos de bases de datos externas. Sin embargo, el RAG tradicional se limita a casos en los que una sola búsqueda es suficiente. En los contextos más complejos, donde es necesario realizar múltiples rondas de búsqueda de información, su eficacia puede verse reducida.
Aquí es donde i-MedRAG, una variación iterativa del método RAG, emerge como una propuesta innovadora. Este método permite a los modelos de lenguaje realizar preguntas de seguimiento en base a búsquedas previas, potenciando su capacidad de razonamiento en cadenas. En cada iteración, las preguntas adicionales ayudan a refinar las consultas en base a la información obtenida anteriormente, aprovechando las bases de datos médicas para completar el ciclo de preguntas y respuestas.
El impacto de i-MedRAG ha sido notable en pruebas rigurosas, superando a las técnicas de ajuste fino y de ingeniería de indicaciones previas, especialmente en exámenes médicos complejos como el USMLE en EE.UU. y el entendimiento multitarea en pruebas de lenguaje masivas (MMLU). En el MedQA, un banco de preguntas extraídas de exámenes de licencias médicas, i-MedRAG logró un 69.68% de precisión en una configuración “zero-shot”, es decir, sin necesidad de datos de entrenamiento.
Además, estudios de caso han demostrado cómo este método permite la formulación de preguntas que generan cadenas de razonamiento lógico, identificando con mayor precisión diagnósticos y mecanismos de acción de fármacos. i-MedRAG es pionero en su enfoque y representa un salto cualitativo respecto a alternativas que operan bajo patrones estáticos de búsqueda de información.