Resumen: La creciente complejidad de la toma de decisiones clínicas, junto con la rápida expansión de los registros de salud electrónicos (EHR), presenta oportunidades y desafíos para brindar atención informada por datos. Este documento propone un sistema de apoyo a la decisión clínica impulsado por modelos de idiomas grandes (LLM) para ayudar a los médicos de prescripción. El sistema genera sugerencias terapéuticas mediante el análisis de datos históricos de EHR, incluida la demografía del paciente, la presentación de quejas, síntomas clínicos, información de diagnóstico e historias de tratamiento. El marco integra el procesamiento del lenguaje natural con entradas clínicas estructuradas para producir recomendaciones contextualmente relevantes. En lugar de reemplazar el juicio del clínico, está diseñado para aumentar la toma de decisiones recuperando y sintetizando casos precedentes con características comparables, basándose en conjuntos de datos locales o fuentes federadas cuando corresponda. En esencia, el sistema emplea una tubería de generación (RAG) de recuperación (RAG) que armoniza las narraciones no estructuradas y los datos codificados para admitir la inferencia basada en LLM. Esbozamos los componentes técnicos del sistema, incluida la alineación de representación de representación y las estrategias de generación. Las evaluaciones preliminares, realizadas con conjuntos de datos clínicos no identificados y sintéticos, examinan la plausibilidad clínica y la consistencia de las salidas del modelo. Los primeros hallazgos sugieren que las herramientas basadas en LLM pueden proporcionar un valioso soporte de decisiones en la prescripción de flujos de trabajo cuando se limitan adecuadamente y se validan rigurosamente. Este trabajo representa un paso inicial hacia la integración de la IA generativa en la toma de decisiones clínicas del mundo real con énfasis en la transparencia, la seguridad y la alineación con las prácticas establecidas.
Publicado Originalme en export.arxiv.org El 2 de octubre de 2025.
Ver Fuente Original
