Resumen: Los modelos de fundaciones médicas, incluidos los modelos de idiomas capacitados en notas clínicas, modelos en idioma de visión en imágenes médicas y modelos multimodales en registros de salud electrónicos, pueden resumir las notas clínicas, responder preguntas médicas y ayudar en la toma de decisiones. La adaptación de estos modelos a nuevas poblaciones, especialidades o configuraciones generalmente requiere ajuste fino, sugerencia cuidadosa o recuperación de las bases de conocimiento. Esto puede no ser práctico y limita su capacidad para interpretar entradas desconocidas y ajustarse a situaciones clínicas no representadas durante el entrenamiento. Como resultado, los modelos son propensos a errores contextuales, donde las predicciones parecen razonables pero no tienen en cuenta la información crítica específica del paciente o contextual. Estos errores provienen de una limitación fundamental con la que los modelos actuales luchan: ajustar dinámicamente su comportamiento en contextos en evolución de la atención médica. En esta perspectiva, describimos una visión para la conmutación de contexto en la IA médica: modelos que adaptan dinámicamente su razonamiento sin volver a capacitar a nuevas especialidades, poblaciones, flujos de trabajo y roles clínicos. Imaginamos la IA de cambio de contexto para diagnosticar, administrar y tratar una amplia gama de enfermedades en especialidades y regiones, y ampliar el acceso a la atención médica.
Publicado Originalme en rss.arxiv.org El 12 de junio de 2025.
Ver Fuente Original
