Resumen: Los contextos de los pacientes abarcan cientos de documentos heterogéneos y miles de puntos de datos estructurados, pero los metadatos a nivel de documento que los sistemas de IA necesitan para su recuperación y clasificación están ausentes o incompletos. La generación estándar de recuperación aumentada falla en estos datos, manejando mal el razonamiento temporal, las dependencias entre documentos y los metadatos faltantes. Implementamos ACIE (Extracción de información clínica agente) en la Universidad de Medicina de Essen: una canalización RAG agente local que razona sobre contextos completos de pacientes y fundamenta cada respuesta en pasajes fuente para la verificación del médico. Cuantificamos la brecha de metadatos, rastreamos las decisiones arquitectónicas que dieron forma y evaluamos la extracción junto con un estudio retrospectivo independiente de registro de linfoma, en el que los médicos de medicina nuclear verifican cada valor extraído con las fuentes citadas. En 7.326 valoraciones, los médicos aceptaron el 96,5% de las extracciones, con una aceptación por tipo que oscila entre el 80% y el 99%.
Publicado originalmente en export.arxiv.org el 18 de junio de 2026.
Ver fuente original
