Resumen: La versatilidad de los modelos de idiomas grandes (LLM) se ha explorado en varios sectores, pero su aplicación en atención médica plantea desafíos, particularmente en el dominio de las contraindicaciones farmacéuticas donde se requiere información precisa y confiable. Este estudio mejora la capacidad de los LLM para abordar las contraindicaciones de manera efectiva mediante la implementación de una tubería de generación aumentada de recuperación (RAG). Utilizando el GPT-4O-Mini de OpenAI como modelo base, y el modelo de texto-3-pequeño para incrustaciones, nuestro enfoque integra Langchain para orquestar un sistema de recuperación híbrida con el reanimiento. Este sistema aprovecha los datos de revisión de utilización de drogas (DUR) de bases de datos públicas, centrándose en contraindicaciones para grupos de edad específicos, embarazo y uso de drogas concomitantes. El conjunto de datos incluye 300 pares de preguntas y respuestas en tres categorías, con una precisión del modelo de referencia que varía de 0.49 a 0.57. Después de la integración de la tubería RAG, observamos una mejora significativa en la precisión del modelo, logrando tasas de 0.94, 0.87 y 0.89 para contraindicaciones relacionadas con grupos de edad, embarazo y uso de drogas concomitantes, respectivamente. Los resultados indican que el aumento de LLM con un marco de RAG puede reducir sustancialmente la incertidumbre en las decisiones de conscripción y consumo de medicamentos al proporcionar información de contraindicación fármacos más precisa y confiable.
Publicado Originalme en export.arxiv.org El 10 de agosto de 2025.
Ver Fuente Original
