Resumen Técnico: C-RLM – Síntesis Recursiva con Aplicación de Esquema para la Documentación Clínica de Contexto Largo y Auditable

1. Planteamiento del Problema

La toma de decisiones clínicas para pacientes con múltiples condiciones crónicas (multimorbilidades) requiere sintetizar evidencia de fuentes extensas, fragmentadas y heterogéneas, tales como guías clínicas, reportes de casos y documentación longitudinal. Los enfoques actuales enfrentan dos limitaciones primarias:

• Pérdida de Información en Contextos Largos: Incluso los Modelos de Lenguaje de Gran Escala (LLM) avanzados tienen dificultades con documentos que exceden las decenas de miles de tokens, exhibiendo a menudo el fenómeno de "pérdida en el medio" (lost in the middle), donde elementos clínicos interdependientes y críticos (por ejemplo, regímenes de inducción y contraindicaciones a largo plazo) dispersos en tramos de texto distantes no logen conectarse.
• Fragmentación y Falta de Auditabilidad: Los sistemas convencionales de Generación Aumentada por Recuperación (RAG) de tipo plano dividen los documentos en fragmentos (chunks) de tamaño fijo, tratándolos de forma aislada. Este enfoque falla al intentar reconstruir trayectorias terapéuticas holísticas cuando componentes clave (nombre del fármaco, dosis, eventos adversos) están separados por los límites de los fragmentos. Además, estos sistemas suelen carecer de una procedencia determinista, lo que hace imposible rastrear las afirmaciones generadas hasta pasajes específicos de la fuente; un fallo crítico en entornos clínicos de seguridad sensible donde la auditabilidad es innegociable.
• Deriva Semántica en Modelos Recursivos: Si bien los Modelos de Lenguaje Recursivos (RLM) ofrecen un refinamiento iterativo, las implementaciones genéricas a menudo tratan los estados intermedios como resúmenes no estructurados. Esto conduce a la deriva semántica, donde una nomenclatura inconsistente (por ejemplo, "MMF" frente a "CellCept") causa la corrupción o duplicación gradual de las entidades clínicas.

2. Metodología: La Arquitectura C-RLM

Los autores presentan el Modelo de Lenguaje Clínico-Recursivo (C-RLM), un marco que redefine la síntesis de evidencia de una tarea de recuperación de un solo paso a un proceso de compilación estructurado y con aplicación de esquema. La arquitectura opera mediante un bucle recursivo que termina cuando se alcanza la estabilidad del estado (no se detectan nuevas entidades o modificaciones durante dos iteraciones) o al alcanzar una profundidad máxima de 5.

El sistema comprende tres innovaciones principales:

A. Estado Recursivo con Aplicación de Esquema

A diferencia de la resumenización generativa, el C-RLM actualiza un estado de conocimiento tipado en cada paso recursivo que debe cumplir con un esquema JSON estricto. Esto evita la acumulación de alucinaciones o duplicados. El bucle procede a través de tres fases:

1. Extracción: Identificación de regímenes terapéuticos candidatos a partir de fragmentos de texto recuperados.
2. Síntesis: Fusión de nuevos candidatos en el estado actual utilizando resolución de alias y manejo de conflictos.
3. Validación y Auditoría: Aplicación del cumplimiento del esquema y registro de la procedencia.

B. Resiliencia de Nomenclatura Robusta (RNR)

Para abordar la extrema variación léxica en textos médicos, el C-RLM emplea una capa de RNR de dos pasos:

• Parseo Sintáctico: Utiliza mapeo de entrada flexible (por ejemplo, mediante AliasChoices de Pydantic) para manejar claves heterogéneas.
• Consolidación Semántica: Compara los fármacos recién extraídos contra el estado de conocimiento existente utilizando una estrategia híbrida:
  1. Normalización exacta contra sinónimos de RxNorm.
  2. Alternativa mediante embeddings de SBERT (similitud de coseno $\tau = 0.85$) para términos fuera del vocabulario.
  • Resolución de Conflictos: Si los valores de dosis entran en conflicto, el sistema retiene la nota más reciente o detallada y genera una "Bandera de Conflicto" para revisión humana.

C. Protección de Fronteras Contextuales

Para evitar que los regímenes terapéuticos (por ejemplo, "Prednisona 40 mg diarios") se dividan en los límites de los fragmentos, el C-RLM utiliza una ventana deslizante con un traslape de 200 tokens. Se instruye explícitamente al LLM para que busque evidencia que abarque los límites, asegurando que los regímenes fragmentados se reensamblen durante la síntesis.

D. TraceTracker: Procedencia Determinista

Cada elemento de salida está vinculado a desplazamientos de caracteres de la fuente original.

• Los fragmentos recuperados conservan los IDs de documento originales y los rangos de caracteres.
• El modelo está restringido para citar únicamente dentro de los segmentos proporcionados.
• Se construye un Árbol de Síntesis donde cada nodo (por ejemplo, un régimen de fármacos) tiene asignado un UUID mapeado a triples específicos de (PMC_ID, inicio_char, fin_char). Esto permite a los clínicos navegar directamente desde una afirmación de salida hacia su evidencia de origen.

3. Configuración Experimental y Resultados

El marco fue evaluado en un banco de 100 reportes de casos de Nefritis Lúpica (LN) de estándar de oro provenientes del subconjunto de Acceso Abierto de PubMed Central (PMC).

• Características del Conjunto de Datos: Longitud media de ~24,500 tokens (rango: 18,200–32,800). Los casos incluyeron tratamientos de múltiples fases, dosificación explícita y referencias a las principales guías (KDIGO, EULAR).
• Líneas Base (Baselines):
  • RAG Plano: Fragmentos de 512 tokens, recuperación FAISS, Llama3-8B-Instruct (paso único, sin recursión/procedencia).
  • LLMs de Contexto Largo: Probados con Qwen3-14B, Llama3.1-8B y Gemma2-9B en un conjunto piloto de 10 casos de Artritis Reumatoide.

Métricas Clave de Desempeño

• Consistencia Estructural: El C-RLM alcanzó un 100%, eliminando la deriva de esquema observada en el RAG Plano (99.0%) y en los LLM de Contexto Largo (que exhibieron violaciones de esquema o deriva).
• Recuperación de Regímenes (F1): El C-RLM alcanzó un 99%, una mejora de 7 puntos porcentuales sobre la línea base de RAG Plano (92%).
• Trazabilidad de Procedencia: El C-RLM logró un 100% de trazabilidad determinista, mientras que las líneas base fueron probabilísticas o inexistentes.
• Sensibilidad de Conflicto: El C-RLM obtuvo 0.82 en la detección correcta de referencias de medicación superpuestas, comparado con el 0.45 de la línea base.

Compromiso Computacional

La arquitectura recursiva introduce un sobrecosto computacional de 2.7× (latencia de 42.8s frente a 15.4s de RAG Plano; 22,450 tokens frente a 8,200 tokens). Sin embargo, los autores argumentan que este costo produce una ganancia desproporcionada en seguridad y confiabilidad.

Hallazgos Cualitativos ("El Dividendo de la Síntesis")

En escenarios de "pérdida en el medio", donde los regímenes de fármacos estaban separados por >2,000 tokens, el RAG Plano y los LLM de un solo paso fallaron en unificar la trayectoria (por ejemplo, tratando a "CellCept" y "Mycophenolate" como regímenes separados). El C-RLM logró unificar estos en una trayectoria única y coherente con pistas de auditoría completas, recuperando entidades clínicamente críticas fragmentadas en tramos de texto distantes.

4. Significado y Reivindicaciones

El artículo sostiene que, para aplicaciones clínicas de seguridad sensible, el compromiso en latencia se justifica por las ganancias significativas en confiabilidad, auditabilidad y soporte para la gobernanza con intervención humana (human-in-the-loop).

• Necesidad Arquitectónica: El estudio demuestra que la recursión arquitectónica es necesaria para una síntesis clínica de alta fidelidad, ya que simplemente aumentar el tamaño de la ventana de contexto en los modelos de lenguaje modernos no garantiza restricciones estructurales o una resolución de alias confiable.
• La Auditabilidad como Requisito: El sistema TraceTracker proporciona un mecanismo fundacional para el cumplimiento regulatorio (por ejemplo, FDA QSR, EU MDR) al eliminar las alucinaciones de citas y proporcionar resolución de desplazamiento de caracteres.
• Cambio de Paradigma: El C-RLM desplaza el paradigma de la generación de texto probabilística hacia el ensamblaje clínico determinista, creando un sustrato auditable para la supervisión médica.

Los autores posicionan al C-RLM no como un agente de diagnóstico autónomo, sino como una herramienta de apoyo a la decisión con un médico en el bucle, diseñada para manejar la complejidad de la síntesis de evidencia multimorbil cuando los modelos de RAG y de contexto largo actuales no son suficientes. Se identifica como trabajo futuro la necesidad de validación clínica prospectiva, integración con flujos de trabajo de EHR en vivo y expansión a diversas especialidades clínicas.