💻 computer science

PathWISE: Multi-Agent Cancer Pathway Triaging Ontology Learning from Clinical Flowcharts

PathWISE es una tubería multiagente que transforma diagramas de flujo de vías clínicas oncológicas no computables en bibliotecas HL7 CQL validadas y ejecutables, combinando la extracción basada en LLM con auditoría determinista de grafos y verificación de compiladores para garantizar un éxito sintáctico del 100% mientras se ponen de manifiesto las brechas de gobernanza sin alucinaciones.

Autores originales: Sofiat Abioye, Ufaq Khan, Shazad Ashraf, Mohammed Adil Butt, Andrew D. Beggs, Adam Byfield, Anusha Jose, William Poulett, Ben Wallace, Junaid Qadir, Muhammad Bilal

Publicado 2026-05-26

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Sofiat Abioye, Ufaq Khan, Shazad Ashraf, Mohammed Adil Butt, Andrew D. Beggs, Adam Byfield, Anusha Jose, William Poulett, Ben Wallace, Junaid Qadir, Muhammad Bilal

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina el plan de atención oncológica de un hospital como un diagrama de flujo gigante y colorido colgado en una pared. Tiene flechas, recuadros, colores rojos y azules, y texto en negrita. Para un médico humano, este gráfico es un mapa perfecto: "Si el paciente tiene el síntoma A (recuadro rojo), ve a la izquierda. Si tiene el síntoma B (texto en negrita), ve a la derecha".

Pero para una computadora, este gráfico es un misterio. Las computadoras no pueden "ver" que un fondo rojo significa "urgente" o que una flecha gruesa significa "haz esto a continuación". Solo leen texto. Esto crea una brecha: los médicos tienen el mapa, pero los sistemas informáticos que podrían ayudar a automatizar la atención son ciegos ante él.

PathWISE es una nueva herramienta diseñada para cerrar esta brecha. Imagínalo como un equipo de cinco robots especializados trabajando juntos para traducir ese gráfico de pared a un lenguaje que las computadoras puedan ejecutar realmente.

Así es como funciona el equipo, paso a paso:

1. El Traductor "Ojo de Águila" (Análisis Visual)

Primero, un robot con "super-visión" examina la imagen del diagrama de flujo. No solo lee las palabras; nota los colores, las formas y la dirección de las flechas. Convierte la imagen desordenada en un mapa digital limpio y estructurado (un grafo) que una computadora puede entender. Sabe, por ejemplo, que un recuadro rojo es diferente a uno blanco, incluso si dicen lo mismo.

2. El "Controlador de Tráfico" (Auditoría Determinista)

A continuación, un robot estricto y que sigue reglas toma ese mapa digital. No adivina; utiliza matemáticas para trazar cada ruta posible que un paciente podría tomar desde el inicio hasta el final. Cuenta las rutas, busca puntos muertos y se asegura de que el mapa tenga sentido lógico. Esta parte es 100% determinista, lo que significa que nunca comete errores ni "alucina" nuevas rutas.

3. La "Policía Gramatical" (Auditoría Semántica)

Ahora, el equipo verifica si las instrucciones en el mapa pueden ser seguidas realmente por una computadora. Algunas instrucciones son vagas, como "tratar si el paciente se siente muy enfermo". Una computadora no puede medir "muy". Este robot marca esas zonas vagas. Las señala como "requiere revisión humana" en lugar de intentar adivinar lo que el médico quiso decir. Separa las reglas claras y compatibles con la computadora de las reglas difusas que requieren juicio humano.

4. El "Constructor de Código" y el "Inspector Estricto" (Generación y Verificación de CQL)

Esta es la parte más única de PathWISE.

El Constructor: Un robot creativo escribe el código informático real (llamado CQL) basado en el mapa.
El Inspector Estricto: En lugar de que otro robot revise el trabajo, PathWISE utiliza un compilador real y oficial (una herramienta que verifica errores en el código) como inspector. Si el Constructor comete un error o inventa un código médico falso, el Inspector dice inmediatamente: "¡Error! Corrige esto". El Constructor sigue intentando hasta que el código supera la prueba del Inspector. Esto asegura que el código final sea perfecto, sin términos médicos inventados.

5. El "Repartidor" (Despliegue)

Finalmente, el código verificado se empaqueta en un servicio que puede conectarse directamente al sistema de registros de salud electrónicos de un hospital. Cuando un médico abre el archivo de un paciente, este sistema muestra una tarjeta que dice: "Basado en el diagrama de flujo, este es el siguiente paso", o "Necesitamos que un humano decida esta parte porque el gráfico era vago".

¿Qué hicieron realmente?

Los investigadores probaron este sistema en cinco vías oncológicas reales utilizadas en el Servicio Nacional de Salud (NHS) del Reino Unido: para cánceres de piel, pulmón, mama, colorrectal y del tracto gastrointestinal superior.

Tasa de Éxito: El sistema convirtió exitosamente las cinco gráficas visuales en código informático funcional.
Detección de Fallos: Encontró cientos de "problemas de gobernanza" en los gráficos originales, como lenguaje vago o contradicciones que los humanos podrían pasar por alto.
Seguridad: Nunca inventó códigos médicos falsos. Si no entendía un término, lo marcaba para que un humano lo verificara, en lugar de adivinar.
El Ganador "Híbrido": Probaron diferentes combinaciones de modelos de IA. El mejor resultado provino de un equipo "Híbrido": un modelo excelente para leer imágenes (Gemini) y otro excelente para escribir código (Claude).

La Conclusión

PathWISE no reemplaza a los médicos. En cambio, actúa como un traductor que convierte las guías hospitalarias estáticas y visuales en herramientas informáticas dinámicas y funcionales. Mantiene la parte de "adivinanza" de la IA estrictamente limitada a la fase inicial de borrador y utiliza matemáticas rigurosas y verificadores de código oficiales para asegurar que el resultado final sea seguro, preciso y listo para ayudar a los médicos a tomar decisiones.

Resumen Técnico: PathWISE – Aprendizaje de Ontología de Triaje de Vías Oncológicas Multiagente a partir de Diagramas de Flujo Clínicos

Declaración del Problema

Las vías clínicas, fundamentales para estandarizar el triaje y el tratamiento del cáncer, se difunden predominantemente como diagramas de flujo visuales. Estos documentos codifican lógica de decisión compleja mediante topología espacial, direccionalidad de flechas, ramificación condicional, codificación por colores y grosor de fuente. Aunque son ricos en información para la interpretación humana, estos artefactos visuales son inaccesibles para los sistemas computacionales. Los enfoques de Procesamiento del Lenguaje Natural (PLN) basados únicamente en texto no logran recuperar la semántica espacial y topológica necesaria para la ejecución por máquinas. En consecuencia, existe una brecha persistente entre el conocimiento de las vías redactado por expertos y las representaciones legibles por máquina (como el Lenguaje de Calidad Clínica HL7 o CQL) necesarias para el Soporte de Decisiones Clínicas (CDS) automatizado y auditable. Los sistemas existentes carecen de capacidades de ingestión visual o no producen salidas verificadas por compilador y conformes a estándares, aptas para su despliegue en flujos de trabajo de Historias Clínicas Electrónicas (EHR).

Metodología: La Tubería PathWISE

PathWISE es una tubería de cinco fases diseñada para transformar diagramas de flujo visuales no computables en bibliotecas CQL validadas y ejecutables, desplegables como servicios FHIR CDS Hooks. La arquitectura emplea un enfoque híbrido, confinando la inferencia no determinista de Modelos de Lenguaje Grande (LLM) a la extracción de conocimientos y la generación de borradores, mientras que depende de matemáticas de grafos deterministas y compiladores estándar para la verificación.

La tubería opera de la siguiente manera:

Análisis Visual (Agente de Visión): Un modelo de lenguaje-vision procesa renderizados PNG de PDFs de vías para extraer un grafo dirigido tipado $G=(V, E)$ . Los nodos se codifican con tipos (por ejemplo, diamante de decisión, bloque de acción), coordenadas normalizadas, atributos visuales (color de fondo, grosor de fuente) y texto extraído. Las aristas se identifican explícitamente basándose en conectores de flecha. La salida está restringida por un esquema Pydantic estricto para garantizar la consistencia estructural.
Auditoría Determinista de Grafos (Auditor DFS): Un algoritmo de Búsqueda en Profundidad (DFS) determinista, no basado en LLM, analiza el grafo extraído. Calcula diagnósticos estructurales (nodos huérfanos, puntos muertos, ciclos) y enumera todos los viajes válidos de pacientes ( $P(G)$ ) como secuencias ordenadas de identificadores de nodos. Este paso asegura que la lógica de enrutamiento aguas abajo cubra exactamente los viajes codificados en el diagrama fuente.
Auditoría Semántica CQL (Agente de Auditoría CQL): Un agente LLM evalúa la computabilidad de cada nodo. Intenta traducir el contenido del nodo a expresiones CQL 1.5 y asigna una etiqueta que indica validez. Los nodos que no cumplen los criterios (debido a ambigüedad, complejidad, errores o inconsistencias de formato) se categorizan. Esta auditoría condiciona la generación posterior y proporciona un análisis de brechas legible por máquina para la gobernanza clínica.
Generación y Verificación CQL (Generador y Compilador como Crítico):
- Definiciones: Un agente Generador CQL produce definiciones CQL FHIR R4. Mapea conceptos cubiertos por diccionarios a pares exactos de código del sistema, asigna identificadores centinela para conceptos no mapeados (evitando alucinaciones) e inserta marcadores de posición false con comentarios de gobernanza para nodos no computables.
- Enrutamiento: Un agente Enrutador de Grafos construye lógica de enrutamiento basada en los viajes enumerados de la Fase 2, utilizando conjunciones de definiciones de nodos para formar predicados de ruta.
- Verificación: Un compilador Java determinista de CQL a ELM actúa como un "crítico". Si el CQL generado falla en la compilación, el error se inyecta en una solicitud de reparación para regeneración (hasta tres iteraciones). Esto reemplaza la crítica basada en modelos estocásticos por una verificación binaria fundamentada en estándares.
Despliegue CDS Hooks: Las bibliotecas CQL validadas se despliegan como un servicio FastAPI. Al activarse por una vista de paciente, el servicio evalúa la lógica de enrutamiento contra recursos FHIR, devolviendo una tarjeta CDS estructurada con acciones recomendadas, fundamentos y marcadores para revisión humana si se encuentran criterios no computables.

Contribuciones Clave

Tubería de Visualización a Ejecución: PathWISE es el primer sistema que abarca la tubería completa desde documentos visuales de vías clínicas hasta servicios CDS desplegados y auditable, abordando la brecha donde el análisis visual carece de capacidad de despliegue clínico y la codificación de directrices carece de compatibilidad con FHIR.
Patrón de Compilador como Crítico: El artículo introduce un patrón de diseño donde un compilador Java determinista reemplaza a los críticos LLM para la verificación. Esto asegura que los códigos de terminología alucinados o la sintaxis mal formada resulten en errores de compilación en lugar de recomendaciones plausibles pero incorrectas, proporcionando una garantía binaria de aprobado/reprobado.
Arquitectura Híbrida Multiagente: El sistema separa la extracción de conocimientos (basada en LLM) de la ejecución clínica (determinista). Esto confina el comportamiento no determinista a una etapa de redacción revisable mientras desplaza las comprobaciones de corrección a componentes deterministas.
Transparencia de Gobernanza: El sistema pone explícitamente en evidencia nodos "NO COMPUTABLES" y brechas de gobernanza (por ejemplo, ambigüedad de contenido, inconsistencias de formato) como elementos de revisión en lugar de intentar forzar una automatización incorrecta, preservando un rastro de auditoría con supervisión humana.

Resultados

El marco se evaluó en cinco vías oncológicas del NHS del Reino Unido (colorrectal, pulmonar, cutánea, GI superior y mamaria), abarcando una gama de complejidades estructurales (de 7 a 73 nodos; de 3 a 234 viajes enumerados). Se probaron tres configuraciones: Solo Claude, Solo Gemini e Híbrida (Gemini para visión, Claude para CQL).

Éxito de Compilación: PathWISE logró un 100% de éxito de compilación sintáctica en las 15 bibliotecas generadas (5 vías × 3 configuraciones). Ninguna biblioteca requirió más de dos iteraciones de crítico-compilador.
Rendimiento de Auditoría Semántica: Las tasas de aprobación para la computabilidad a nivel de nodo variaron según la configuración. La configuración "Solo Claude" logró la tasa de aprobación más alta (48,9%), mientras que "Solo Gemini" fue la más conservadora (6,0% de aprobación, 54 nodos NO COMPUTABLES). La configuración "Híbrida" equilibró ambas, logrando una tasa de aprobación del 37,4%.
Hallazgos de Gobernanza: El sistema identificó 544 hallazgos estructurados de gobernanza en todas las configuraciones. "Ambigüedad de Contenido" fue la categoría dominante (aproximadamente 78–84% de los hallazgos), reflejando la prevalencia de lenguaje clínico subjetivo. Los hallazgos de "Inconsistencia de Formato" confirmaron que las señales visuales de urgencia (por ejemplo, fondos rojos) se capturaron con éxito, algo que los sistemas basados solo en texto pasan por alto.
Seguridad Terminológica: El sistema produjo cero códigos de terminología alucinados para conceptos cubiertos por diccionarios. Los conceptos sin coincidencia se asignaron identificadores centinela para revisión humana.
Preparación para Despliegue: En pruebas con 25 registros de pacientes sintéticos FHIR R4, la configuración Híbrida produjo tarjetas CDS estructuralmente válidas para todas las invocaciones. Si bien el 72% de los registros logró un enrutamiento totalmente automatizado, el 28% restante puso correctamente en evidencia marcadores específicos de revisión humana para criterios no computables, demostrando preparación de ejecución sin comprometer la seguridad.
Validación: Los conteos de nodos coincidieron exactamente con el análisis independiente de AIQCoP de NHS England en cuatro de las cinco vías, validando la precisión del análisis visual.

Significado y Afirmaciones

El artículo afirma que PathWISE demuestra un patrón de diseño práctico para la automatización de flujos de trabajo clínicos de alto riesgo: separar la extracción de conocimientos basada en modelos de la verificación determinista.

Los autores afirman que, aunque los LLM son efectivos para interpretar la estructura visual y redactar código, son insuficientes para las comprobaciones finales de corrección requeridas en entornos clínicos regulados. Al utilizar un compilador determinista como guardián, PathWISE asegura que la salida final sea ejecutable y conforme a estándares, incluso si el material fuente contiene ambigüedades. El sistema no afirma resolver automáticamente todas las ambigüedades clínicas; más bien, se posiciona como una herramienta para la traducción auditable, poniendo en evidencia brechas de gobernanza y criterios no computables para revisión clínica mientras automatiza la conversión de las partes computables de la vía en lógica de soporte de decisiones interoperable.

El trabajo es modesto en su alcance, reconociendo limitaciones como la necesidad de curación manual de recursos terminológicos y la incapacidad de resolver automáticamente criterios de vías ambiguos. Enmarca a PathWISE como un paso hacia la superación de la brecha entre el conocimiento clínico visual y los sistemas ejecutables por máquinas, en lugar de un reemplazo completo del juicio clínico humano.