Resumen: Objetivo: evaluar si un LLM conectado a una base de datos EHR a través de MCP puede recuperar de forma autónoma información clínicamente relevante en un entorno hospitalario real.
Métodos: Desarrollamos EHR-MCP, un marco de herramientas MCP personalizadas integradas con la base de datos EHR del hospital, y utilizamos GPT-4.1 a través de un agente React Langgraph para interactuar con ella. Se probaron seis tareas, derivadas de los casos de uso del Equipo de Control de Infecciones (TIC). Ocho pacientes discutidos en conferencias de TIC fueron analizados retrospectivamente. Se midió el acuerdo con los estándares de oro generados por el médico.
Resultados: El LLM seleccionó y ejecutó consistentemente las herramientas MCP correctas. A excepción de dos tareas, todas las tareas lograron una precisión casi perfecta. El rendimiento fue menor en la tarea compleja que requiere cálculos dependientes del tiempo. La mayoría de los errores surgieron de argumentos incorrectos o malinterpretación de los resultados de la herramienta. Las respuestas de EHR-MCP fueron confiables, aunque los datos largos y repetitivos se arriesgaron a exceder la ventana de contexto.
Conclusiones: LLM puede recuperar datos clínicos de un EHR a través de herramientas MCP en un entorno hospitalario real, logrando un rendimiento casi perfecto en tareas simples al tiempo que destaca los desafíos en los complejos. EHR-MCP proporciona una infraestructura para el acceso de datos seguro y consistente y puede servir como base para los agentes de IA hospitalarios. El trabajo futuro debería extenderse más allá de la recuperación al razonamiento, la generación y la evaluación del impacto clínico, allanando el camino para la integración efectiva de la IA generativa en la práctica clínica.
Publicado Originalme en export.arxiv.org El 21 de septiembre de 2025.
Ver Fuente Original
