RAGMed: Un asistente de IA médica basado en RAG para mejorar la prestación de servicios de salud

Los Registros Electrónicos de Salud (EHRs) han mejorado el acceso a la información médica, pero también han introducido desafíos para los proveedores de atención médica, como el aumento de la carga documental y la reducción de la interacción cara a cara con los pacientes. Para mitigar estos problemas, proponemos RAGMed, un asistente de IA basado en Recuperación Aumentada por Generación (RAG) diseñado para ofrecer respuestas automatizadas y clínicamente fundamentadas a preguntas frecuentes de los pacientes. Este sistema combina una base de datos vectorial para recuperación semántica con las capacidades generativas de un modelo de lenguaje grande para proporcionar respuestas precisas y confiables sin requerir la intervención directa del médico. Además del soporte al paciente, el asistente facilita la programación de citas y ayuda a los clínicos resumiendo notas clínicas, optimizando así los flujos de trabajo en atención médica. Asimismo, para evaluar la influencia de la calidad de la recuperación en el rendimiento general del sistema, comparamos dos modelos de incrustaciones, gte-large y all-MiniLM-L6-v2, utilizando consultas médicas del mundo real. Los modelos se evalúan dentro del Marco RAG-Triad, enfocándose en la relevancia del contexto, la relevancia de la respuesta y la fundamentación factual. Los resultados indican que gte-large, gracias a sus incrustaciones de mayor dimensión, recupera un contexto más informativo, lo que resulta en respuestas más precisas y confiables. Estos hallazgos subrayan la importancia no solo del potencial de incorporar sistemas basados en RAG para aliviar la carga de trabajo de los médicos y mejorar la eficiencia y accesibilidad de la atención médica, sino también de la dimensionalidad de los modelos utilizados para generar incrustaciones, ya que esto influye directamente en la relevancia, precisión y comprensión contextual de la información recuperada. Este prototipo está destinado a responder preguntas frecuentes médicas y consultas informativas generales mediante recuperación aumentada, y no está diseñado para uso diagnóstico ni recomendaciones de tratamiento sin validación profesional.