Dr. Marco V. Benavides Sánchez.
Imagina que tienes una receta médica que dice:
“Metoprolol 50 mg c/12 h vo x 7d y amoxicilina 500 mg ttt vo q8h x 10d”
¿Qué significa esto con exactitud? ¿Qué toma el paciente, cuántas veces al día, durante cuántos días? Y si la receta está en diferentes idiomas o con nombres comerciales locales, ¿cómo asegurarse de que se interprete correctamente y sin errores?
Este tipo de “texto libre” en las historias clínicas electrónicas —rótulos médicos escritos de forma variable e informal— presenta un gran desafío tanto para las personas como para las máquinas. En un estudio reciente publicado en Artificial Intelligence in Medicine, un equipo de investigadores dirigido por Natthanaphop Isaradech demostró que los modelos de lenguaje basados en inteligencia artificial, como ChatGPT, pueden estructurar y ampliar automáticamente estas indicaciones, con un rendimiento casi humano y gran aplicabilidad real.
El problema: prescripciones manuscritas difíciles de entender
En los sistemas de registros electrónicos de salud (EHR, por sus siglas en inglés), muchas prescripciones siguen siendo guardadas como texto libre. Esto causa varios problemas:
- Ambigüedad: Abreviaciones como “c/12 h” (cada 12 horas) o símbolos como “x” pueden prestarse a confusión.
- Variabilidad: Desde nombres genéricos hasta marcas comerciales locales, en varios idiomas.
- Errores de seguridad: La falta de claridad puede derivar en dosis mal interpretadas o medicamentos equivocados.
Por ello, extraer automáticamente información estructurada —por ejemplo, “Metoprolol (tableta de 50 mg), dos veces al día, por 7 días”— es un reto crucial para la seguridad clínica y la interoperabilidad digital.
La solución: dos herramientas basadas en IA
El grupo de investigación se centró en dos tareas clave:
- Reconocimiento de Entidades Nombradas (NER)
- El objetivo es identificar y etiquetar automáticamente los componentes esenciales: nombre del medicamento, dosis, frecuencia, vía de administración, etc.
- Expansión de Texto (EX)
- Aquí, el modelo traduce la receta abreviada a un formato ampliado y claro, por ejemplo, “toma oral cada ocho horas durante diez días”.
El equipo implementó estas tareas usando ChatGPT 3.5, probando estrategias “zero-shot” (sin ejemplos) y “few-shot” (con pocos ejemplos). Para tener una base sólida, anotaron manualmente 100 enunciados de prescripciones, diseñaron prompts adecuados y evaluaron los resultados con métricas estándar: precisión, recall y F1-score.
Resultados impresionantes
- NER (Reconocimiento):
El mejor prompt alcanzó una puntuación F1 de 0.94, un nivel sobresaliente que indica una detección precisa de dosis, frecuencia, medicamentos y vía. - EX (Expansión):
El enfoque few-shot logró una puntuación F1 de 0.87, demostrando que al añadir unos pocos ejemplos se mejora notablemente la calidad y coherencia de las expansiones.
Comparativamente, el modelo few-shot evitó “alucinaciones” (información imprecisa o inventada) del modelo, algo crítico en contextos médicos donde la exactitud es esencial.
Además, los investigadores validaron sus prompts con modelos más recientes: ChatGPT 4o, Gemini 2.0 Flash, MedLM‑1.5‑Large y DeepSeekV3, hallando que la mayoría superaron a ChatGPT 3.5 en ambas tareas. Esto indica que la tecnología está mejorando rápidamente.
¿Por qué es relevante para todos?
- Mejora en la seguridad del paciente
- La interpretación automática y precisa reduce el riesgo de errores en la medicación.
- Ahorro de tiempo clínico
- Médicos y farmacias ahorrarían tiempo que actualmente dedican a aclarar prescripciones confusas.
- Interoperabilidad global
- Con formatos estandarizados, es más fácil compartir datos entre hospitales, laboratorios y sistemas de salud.
- Base para análisis y monitoreo
- La información estructurada puede alimentar sistemas de monitoreo de efectos adversos, patrones de prescripción y estudios epidemiológicos.
Consideraciones éticas y técnicas
- Privacidad y seguridad de datos: Trabajar con historias clínicas exige altos estándares de protección y anonimización.
- Riesgo de “alucinaciones”: Aunque los modelos son muy precisos, siempre existe la posibilidad de generar información incorrecta. El enfoque few-shot ayuda a reducir ese riesgo.
- Necesidad de validación humana: Especialmente en casos raros o complejos, la intervención y revisión de un profesional sigue siendo indispensable.
- Actualización de modelos: La mejora continua de modelos como GPT‑4o o MedLM implica que los sistemas basados en IA deben actualizarse para mantener eficacia y seguridad.
Mirando al futuro
- Implementación en entornos reales: El siguiente paso es integrar estos modelos en sistemas hospitalarios o de farmacias, evaluando cómo mejoran el flujo laboral y reducen errores.
- Tareas adicionales: Más allá de NER y expansión, se puede incluir la codificación automática a estándares internacionales, como ATC (Sistema de Clasificación Anatómica, Terapéutica y Química (Anatomical Therapeutic Chemical classification system) o la verificación de interacciones entre medicamentos.
- Modelos especializados en salud: Las versiones afinadas como MedLM o DeepSeek parecen prometedoras, pues podrían superar a los modelos generales al estar entrenados específicamente en textos médicos.
Conclusión
Este estudio pone de relieve un futuro en el que la inteligencia artificial mejora directamente la seguridad y eficiencia médica. Mediante el uso de LLMs, es posible transformar prescripciones escritas de forma informal en texto estructurado y claro, reduciendo ambigüedades y errores. Aunque aún existen desafíos como la protección de datos y la supervisión clínica, los avances recientes abren una puerta prometedora hacia sistemas de salud más inteligentes, ágiles y confiables.
Para leer más:
- Isaradech, N., Riedel, A., Sirikul, W., Kreuzthaler, M., & Schulz, S. (2025). Zero- and few-shot Named Entity Recognition and Text Expansion in medication prescriptions using large language models. Artificial Intelligence in Medicine, 103165. https://doi.org/10.1016/j.artmed.2025.103165
#ArtificialIntelligence #Medicine #Surgery #Medmultilingua
Deja un comentario