PACE-RAG: Patient-Aware Contextual and Evidence-based Policy RAG for Clinical Drug Recommendation

Resumen Técnico: PACE-RAG

1. Planteamiento del Problema

La recomendación de fármacos en entornos clínicos complejos (como la enfermedad de Parkinson) requiere un equilibrio delicado entre el conocimiento médico general y el contexto único de cada paciente. Los autores identifican tres limitaciones principales en los enfoques actuales:

• LLMs Puros: Aunque poseen amplio conocimiento médico, fallan al capturar los matices sutiles de los patrones de prescripción reales y la experiencia clínica acumulada, a menudo generando recomendaciones genéricas o alucinadas.
• RAG Basado en Guías (Guideline RAG): Recupera documentos de guías clínicas estandarizadas. El problema es que estas recomendaciones tienden a ser demasiado generalizadas y no capturan la heterogeneidad de las trayectorias clínicas individuales.
• RAG Basado en Pacientes Similares (Similar Patient RAG, ej. TreatRAG): Recupera historiales de pacientes con condiciones similares. Sin embargo, estos métodos sufren de un "sesgo de la mayoría" (majority bias): el modelo tiende a replicar los patrones de prescripción más frecuentes del grupo recuperado, ignorando los matices clínicos específicos que justifican desviaciones en casos individuales.

2. Metodología: PACE-RAG

Se propone PACE-RAG (Patient-Aware Contextual and Evidence-based Policy RAG), un marco de trabajo novedoso diseñado para sintetizar el contexto del paciente individual con las tendencias de prescripción basadas en evidencia. La arquitectura consta de un proceso de razonamiento de cuatro etapas:

• Etapa 1: Recuperación Específica de Enfoque (Focus-Specific Retrieval):

  • En lugar de usar notas clínicas completas y no estructuradas, un extractor identifica n consultas clínicas específicas (palabras clave o frases literales extraídas de los síntomas agudos o diagnósticos activos).
  • Se recuperan pacientes históricos del banco de datos que coincidan con estos síntomas específicos, evitando el ruido de la historia médica completa.

• Etapa 2: Análisis de Tendencia de Prescripción (Prescribing Tendency Analysis):

  • El modelo analiza los casos recuperados para extraer patrones de tratamiento específicos para cada síntoma de enfoque.
  • Filtro Crítico: Solo se extraen medicamentos que fueron nuevamente añadidos (no mantenidos) para tratar ese síntoma específico en casos similares. Esto evita el sesgo de la mayoría al filtrar medicamentos crónicos rutinarios que no son relevantes para la decisión actual.

• Etapa 3: Refinamiento de Prescripción Impulsado por Políticas (Policy-Driven Prescription Refinement):

  • Actúa como un mecanismo de verificación. Toma una prescripción inicial generada por el LLM y la contrasta con las tendencias extraídas en la Etapa 2.
  • Aplica tres políticas estrictas:
    1. Mantenimiento (MAINTAIN): Preservar por defecto la historia de medicación activa del paciente.
    2. Adición Selectiva (ADD): Solo añadir nuevos fármacos si la tendencia recuperada ofrece una señal de alta confianza para el síntoma específico.
    3. Suspensión (REMOVE): Eliminar fármacos solo si hay evidencia negativa definitiva (efectos adversos, contraindicaciones).

• Etapa 4: Resumen Clínico Explicable (Explainable Clinical Summary):

  • Genera un informe interpretable que integra la historia del paciente, las tendencias extraídas, la prescripción inicial y la final, proporcionando una trazabilidad clara del razonamiento clínico para fomentar la confianza del médico.

3. Contribuciones Clave

1. Marco Híbrido: PACE-RAG supera la generalización excesiva de las guías y el sesgo de la mayoría de los métodos de pacientes similares al integrar un proceso de verificación basado en políticas.
2. Metodología de 4 Etapas: Introduce un flujo de trabajo que extrae señales clínicas específicas para realizar una recuperación centrada en palabras clave y analiza tendencias de prescripción para generar planes de medicación conscientes del contexto.
3. Eficiencia y Generalización: Demuestra que un marco robusto puede construirse sobre modelos de lenguaje abiertos y pequeños (8B parámetros), superando el rendimiento de modelos masivos cerrados (72B+), lo que facilita la implementación privada y rentable en hospitales.
4. Validación Clínica: El sistema no solo mejora las métricas estadísticas, sino que produce razonamientos clínicamente válidos y alineados con la intuición de expertos.

4. Resultados Experimentales

El marco se evaluó en dos conjuntos de datos: un conjunto de datos real no estructurado de Enfermedad de Parkinson (HPH) y el benchmark estructurado MIMIC-IV.

• Rendimiento en Parkinson (HPH):

  • Con Llama-3.1-8B, PACE-RAG alcanzó un F1 de 76.30% y una precisión de 78.44%, superando significativamente a baselines como Zero-shot, Guideline RAG, TreatRAG y MedReflect.
  • Con Qwen3-8B, logró un F1 de 80.84% y una precisión de 82.75%.
  • Comparación con Modelos Grandes: El modelo PACE-RAG (8B) superó consistentemente a modelos mucho más grandes como Qwen2.5-72B (F1 72.84%), demostrando una mayor eficiencia de razonamiento.

• Generalización en MIMIC-IV:

  • En este benchmark de gran escala, PACE-RAG también obtuvo los mejores resultados (F1 47.22% con Qwen3-8B), demostrando su capacidad para manejar registros clínicos heterogéneos y multi-sintomáticos.

• Evaluación por Especialistas:

  • Una evaluación ciega con dos neurólogos especialistas mostró que PACE-RAG ganó o empató en el 70% de las preferencias generales frente a Guideline RAG, destacando su superioridad en precisión clínica, seguridad y razonamiento.

• Análisis de Ablación:

  • Se demostró que la recuperación basada en palabras clave específicas (Stage 1) es superior a la recuperación semántica global.
  • La etapa de verificación (Stages 2 & 3) es crucial; sin ella, el rendimiento cae drásticamente, confirmando que la verificación basada en políticas es más robusta que la auto-reflexión interna (como en MedReflect).

5. Significado e Impacto

El trabajo de PACE-RAG es significativo porque:

• Cierra la Brecha Clínica: Proporciona una solución que no solo "sabe" medicina, sino que "piensa" como un médico al considerar el contexto individual y la evidencia empírica de casos similares.
• Viabilidad de Despliegue: Al lograr un estado del arte (SOTA) con modelos de 8B parámetros, demuestra que es posible tener sistemas de apoyo a la decisión clínica de alta precisión, privados y de bajo costo, sin depender de modelos propietarios masivos.
• Explicabilidad: La generación de resúmenes clínicos trazables aborda una de las mayores barreras para la adopción de IA en medicina: la necesidad de entender el "por qué" detrás de una recomendación.

En conclusión, PACE-RAG representa un avance hacia la medicina personalizada asistida por IA, combinando la recuperación de evidencia, el análisis de patrones clínicos y la verificación estricta para apoyar decisiones de prescripción más seguras y precisas.