En un esfuerzo por optimizar los procesos de revisión sistemática en medicina, investigadores del Transitional AI Research Group y el Royal Australasian College of Surgeons han desarrollado un innovador sistema de cribado de literatura que utiliza transformadores y aprendizaje por transferencia. La técnica propone un método para alinear preguntas de investigación, formuladas en lenguaje natural, con un conjunto de artículos candidato a través de modelos de transformadores finamente ajustados como BioBERT.

La creciente cantidad de trabajo académico complica la tarea de encontrar literatura relevante, esencial para llevar a cabo revisiones sistemáticas de calidad en medicina basada en evidencia. Uno de los problemas más complejos radica en la identificación semántica precisa entre las preguntas de investigación y los documentos disponibles, una labor que se ha intentado resolver a través de distintas aplicaciones de software.

Los transformadores previamente entrenados en literatura biomédica representan una solución prometedora, permitiendo la reducción de volúmenes considerables de artículos irrelevantes en la mayoría de las consultas. Este modelo se centra en reducir la carga de trabajo manual a través de la automatización y la mejora de los procesos de selección literaria.

A pesar de que las herramientas actuales como Abstrackr y EPPI-Reviewer afirman reducir la carga de los revisores humanos hasta en un 60%, su eficacia varía considerablemente según las preguntas de investigación.

Los estudios recientes han demostrado que los modelos basados en aprendizaje profundo, usando redes neuronales convolucionales (CNN) y redes de transformadores, pueden avanzar en la automatización de las revisiones sistemáticas. Sin embargo, la verdadera clave está en ajustar los modelos para las tareas específicas sin la necesidad de grandes conjuntos de datos anotados inicialmente.

Investigaciones previas sugieren que las herramientas de procesamiento de texto cada vez son más esenciales, especialmente en el contexto de lidiar con ‘infodemias’ como la provocada por la crisis del COVID-19.

El desafío radica en el balance entre aprovechar modelos entrenados que capturen información relevante y la habilidad de generalizar ante nuevas preguntas de investigación. A través del uso de modelos como BioBERT, se busca no solo facilitar el proceso de revisión sistemática, sino también proporcionar insights valiosos que informen futuros desarrollos en la inteligencia artificial y su aplicación en la gestión del conocimiento biomédico.

A modo de conclusión, el avance en modelos como BioBERT resalta la utilidad de la IA en la ciencia médica y su capacidad para transformar radicalmente el acceso y la síntesis de conocimiento. No obstante, se necesita más investigación para precisar el modelo ideal que se adecue a todas las revisiones sistemáticas, garantizando la eficiencia y efectividad del proceso de cribado literario.