Retos y soluciones de los grandes modelos de lenguaje en la planificación clínica según las guías y la codificación automatizada: desarrollo y validación de algoritmos

Este estudio presenta y evalúa dos métodos basados en grandes modelos de lenguaje, incorporados a Rhazes Clinician para abordar estos retos: generación aumentada por recuperación asistida por generación (GARAG), que automatiza la planificación del tratamiento a partir de la evidencia científica, y búsqueda vectorial asistida por generación (GAVS), para automatizar la codificación clínica.

Antecedentes: Los errores diagnósticos y la carga administrativa, incluida la codificación clínica, siguen siendo importantes retos sanitarios. Los grandes modelos de lenguaje (LLM) podrían aliviar estos problemas, pero las dudas sobre su fiabilidad, transparencia y seguridad clínica han limitado su adopción.

Objetivo: Este estudio presenta y evalúa dos métodos basados en grandes modelos de lenguaje, incorporados a Rhazes Clinician para abordar estos retos: generación aumentada por recuperación asistida por generación (GARAG), que automatiza la planificación del tratamiento a partir de la evidencia científica, y búsqueda vectorial asistida por generación (GAVS), para automatizar la codificación clínica.

Métodos: GARAG se evaluó con 21 casos clínicos de prueba elaborados por autores con titulación médica. Cada caso se procesó tres veces de forma independiente y las respuestas se valoraron con cuatro criterios: referencias correctas, ausencia de duplicaciones, cumplimiento del formato y adecuación clínica del plan de actuación propuesto. GAVS se evaluó con 958 ingresos elegidos al azar de la base de datos Medical Information Mart for Intensive Care (MIMIC)–IV, tomando como referencia los códigos de la Clasificación Internacional de Enfermedades, décima revisión (ICD-10) utilizados en la facturación. Se compararon dos métodos: GPT-4.1 sin apoyo adicional, al que se pidió predecir códigos ICD-10 sin restricciones, y GAVS, donde GPT-4.1 generó entidades diagnósticas que se vincularon, mediante búsqueda vectorial, con los 10 códigos ICD-10 más afines a cada una.

Resultados: De las 63 respuestas, 62 (98,4%) cumplieron todos los criterios de evaluación. La única excepción fue una pequeña discrepancia en el orden en una repetición del caso 14. En la evaluación de GAVS, los 958 ingresos contenían 8576 códigos de subcategoría ICD-10 asignados (1610 distintos). El modelo sin apoyo adicional propuso 131 329 códigos, frente a los 136 920 de GAVS. A nivel de subcategoría, el modelo recuperó de media el 17,95% de los códigos de referencia (15,86% tras ponderar), frente al 20,63% de GAVS (18,62% tras ponderar), una mejora estadísticamente significativa (P<0,001). A nivel de categoría, los resultados fueron similares (porcentaje medio ponderado de códigos recuperados: 32,60% frente a 32,58%; P=0,99).

Conclusiones: GARAG permitió elaborar planes de actuación sustentados en guías revisadas por pares y específicas para cada diagnóstico, sin perder el detalle clínico durante la recuperación de la evidencia. GAVS aumentó significativamente la proporción de códigos diagnósticos específicos recuperados frente al uso directo de un LLM como referencia. Ambos métodos muestran cómo los LLM pueden mejorar el apoyo a la decisión clínica y la codificación clínica. Posteriormente se integraron en Rhazes Clinician, una aplicación web para profesionales sanitarios que coordina agentes basados en LLM para utilizar herramientas especializadas desde una sola interfaz. Se necesitan más validaciones independientes y estudios a gran escala para confirmar que los resultados son generalizables y evaluar su efecto en los resultados clínicos de los pacientes.

JMIR Biomed Eng 2025;10:e66691

doi:10.2196/66691