A PubMed-Scale Dataset of Structured Biomedical Abstracts

Resumen Técnico: Structured PubMed

Planteamiento del Problema
Los resúmenes estructurados, que dividen el texto en secciones etiquetadas (por ejemplo, Antecedentes, Métodos, Resultados), son fundamentales para la recuperación de información biomédica, la minería de textos y la síntesis de conocimientos. Si bien la Biblioteca Nacional de Medicina de EE. UU. (NLM) fomenta este formato basándose en la convención IMRAD, una vasta parte de los más de 23,2 millones de artículos de investigación indexados en PubMed permanece sin estructurar. Esta falta de etiquetas de sección explícitas crea un cuello de botella para los flujos de trabajo de Procesamiento de Lenguaje Natural (NLP) descendentes, ya que los métodos entrenados con datos estructurados no pueden aplicarse directamente al corpus más amplio de resúmenes no estructurados sin un etiquetado adicional. Los recursos existentes de resúmenes con etiquetas de sección son limitados en escala (decenas a cientos de miles de registros) o están restringidos a tipos de estudio específicos, fallando en cubrir toda la amplitud de PubMed.

Metodología
Los autores presentan Structured PubMed, un corpus exhaustivo compilado a partir de los archivos completos de la base de referencia y la actualización de PubMed accedidos el 3 de mayo de 2026. La construcción del conjunto de datos siguió un flujo de trabajo riguroso de tres etapas:

1. Recolección y Filtrado de Datos: De un total inicial de 40,4 millones de registros de citas, los autores excluyeron los registros con resúmenes vacíos y eliminaron tipos de artículos que no fueran de investigación (por ejemplo, revisiones, editoriales, reportes de casos), reteniendo 23,3 millones de registros de artículos de investigación.
2. Construcción de Subconjuntos Duales: El corpus se dividió en dos subconjuntos complementarios:
   • Subconjunto Estructurado por Autor (5,99 millones de registros): Estos registros fueron analizados directamente desde los archivos XML de PubMed de la NLM, extrayendo etiquetas de sección donde estaban presentes los atributos NLMCategory o Label.
   • Subconjunto Etiquetado por LLM (17,29 millones de registros): Para los resúmenes originalmente no estructurados, los autores emplearon un flujo de trabajo de Modelo de Lenguaje Grande (LLM) para inferir los límites de las secciones.
3. Protocolo de Estructuración por LLM: Para asegurar la fidelidad, se implementó un protocolo de "extracción verbatim". El LLM (específicamente GPT-4.1-mini) fue instruido con restricciones estrictas para reproducir el texto exactamente como fue escrito, sin parafrasear, corregir errores tipográficos o alucinar. El modelo recibió la tarea de segmentar el texto bruto del resumen en un objeto JSON con cinco claves canónicas: Antecedentes (Background), Objetivo (Objective), Métodos (Methods), Resultados (Results) y Conclusiones (Conclusions). Si una sección estaba ausente, se instruyó al modelo para que devolviera null.

Contribuciones Clave

• Escala y Alcance del Conjunto de Datos: Structured PubMed es el corpus más grande de resúmenes biomédicos con etiquetas de sección publicado hasta la fecha, conteniendo 23,3 millones de registros. Esto es aproximadamente 4,09 veces el tamaño del recurso más grande anterior, MedConclusion.
• Esquema Unificado: Todo el corpus está armonizado bajo un esquema unificado de cinco secciones y mapeado a los identificadores, tipos de publicación y fechas originales de PubMed, asegurando la trazabilidad e integración con otros conjuntos de datos derivados de PubMed.
• Validación Metodológica: El estudio valida el enfoque de estructuración basado en LLM utilizando un benchmark de 30.000 registros (10.000 cada uno de Artículos de Investigación, Estudios Observacionales y Ensayos Clínicos Aleatorizados) donde la estructura de referencia (gold-standard) era conocida.

Resultados
La validación técnica comparó el flujo de trabajo de LLM (GPT-4.1-mini y GPT-4.1-nano) contra un modelo de clasificación de oraciones basado en BERT (BERT CLS) finamente ajustado.

• Desempeño: GPT-4.1-mini alcanzó el desempeño más alto en todas las métricas (ROUGE-1, ROUGE-2, ROUGE-L y BLEU), con puntuaciones medias de 0,96, 0,95, 0,96 y 0,93, respectivamente. Mantuvo una superioridad constante en los tres tipos de artículos.
• Comparación: Aunque el modelo BERT-based CLS logró un ROUGE-1 agregado alto (0,90), tuvo dificultades significativas con la sección de "Objetivo" (0,74), confundiendo frecuentemente el contexto de los antecedentes con la intención de la investigación. GPT-4.1-nano mostró un desempeño inferior al de GPT-4.1-mini, particularmente en secciones con alta densidad de datos como Métodos y Resultados.
• Perfil de Error: Las altas puntuaciones de GPT-4.1-mini se atribuyeron al diseño de extracción verbatim; las desviaciones respecto al estándar de referencia se debieron principalmente a errores en la colocación de los límites en lugar de sustituciones léxicas, asegurando que el texto permaneciera fiel a la publicación original.

Significancia
El artículo afirma que Structured PubMed aborda una limitación crítica en el NLP biomédico al extender las etiquetas de sección a la gran mayoría de los registros de PubMed que carecían de ellas anteriormente. El conjunto de datos está destinado a apoyar:

• El entrenamiento y la evaluación de modelos de clasificación de oraciones y estructuración de resúmenes.
• El benchmarking de arquitecturas de segmentación de texto.
• La extracción de información y la síntesis de evidencia a gran escala y específicas de cada sección.
• El análisis comparativo del comportamiento de los modelos entre resúmenes estructurados de forma nativa y resúmenes estructurados retrospectivamente.

Al proporcionar un recurso masivo con etiquetas de sección que cubre todo el espectro de artículos de investigación de PubMed, los autores buscan facilitar flujos de trabajo de procesamiento de texto biomédico más robustos y escalables. El conjunto de datos y el código asociado están disponibles públicamente a través de Zenodo y GitHub para garantizar la reproducibilidad.