HemOncAgent: an artificial intelligence system for retrieving structured and narrative oncology knowledge

En el complejo mundo del tratamiento del cáncer, los médicos deben navegar entre dos tipos de información muy diferentes. Un tipo es rígido y preciso, como un catálogo de ingredientes que enumera exactamente qué fármacos pertenecen a una combinación específica o qué códigos médicos describen una enfermedad particular. El otro tipo es fluido y descriptivo, presente en las notas escritas de los especialistas que explican cómo secuenciar los tratamientos a lo largo del tiempo, decidiendo cuándo iniciar una nueva terapia o cómo gestionar a un paciente tras una recurrencia. Durante décadas, los sistemas informáticos diseñados para ayudar a los médicos han tenido dificultades para manejar ambos a la vez. Algunos sobresalen encontrando hechos exactos pero fallan al comprender la historia de un plan de tratamiento, mientras que otros son buenos leyendo texto pero pierden las conexiones críticas entre medicamentos específicos. Esta brecha es importante porque un médico que hace una pregunta sobre la atención oncológica puede necesitar una lista precisa de fármacos en un momento y una explicación narrativa de las vías de tratamiento al siguiente.

Un equipo de investigadores ha construido un nuevo asistente digital llamado HemOncAgent para cerrar esta brecha. En lugar de forzar a un único método a hacer todo el trabajo, este sistema actúa como un bibliotecario atento que sabe cuándo consultar una base de datos estructurada y cuándo leer un manual detallado. Los investigadores probaron esta herramienta contra sistemas informáticos estándar utilizando cientos de preguntas sobre conocimientos oncológicos. Descubrieron que, al permitir que la computadora elija la fuente adecuada para cada pregunta específica, el nuevo sistema podía responder tanto consultas factuales como escenarios de tratamiento complejos con alta precisión. Los resultados sugieren que, para el conocimiento médico que es parte datos duros y parte experiencia humana, un enfoque híbrido es mucho más fiable que confiar en un solo tipo de búsqueda.

El desafío en oncología es que el conocimiento existe en dos formas distintas. Por un lado, existen bases de datos curadas que almacenan hechos estructurados, como qué fármacos componen un régimen específico o qué códigos médicos estándar se aplan a una condición. Estos son como las reglas duras de un juego, donde cada elemento tiene un lugar definido. Por otro lado, existen recursos escritos por clínicos que describen cómo se utilizan realmente los tratamientos en la práctica, detallando el orden en el que se administran las terapias para diferentes etapas de una enfermedad. Estas narrativas capturan el matiz de la toma de decisiones que las bases de datos rígidas suelen perder. Aunque los modelos de lenguaje de gran tamaño —programas informáticos entrenados en vastas cantidades de texto— pueden responder preguntas, a menudo alucinan o adivinan cuando carecen de acceso a estas fuentes externas específicas. Para resolver esto, los investigadores desarrollaron un sistema que puede recurrir a ambos tipos de recursos, seleccionando el más apropiado según lo que el usuario esté preguntando.

Los investigadores crearon HemOncAgent para actuar como un núcleo central que se conecta a dos fuentes de conocimiento específicas. La primera es un grafo de conocimiento estructurado, una red masiva de más de 126.000 conceptos y 424.000 relaciones que vinculan fármacos, regímenes y enfermedades. Esta fuente es excelente para responder preguntas sobre composiciones exactas o aprobaciones regulatorias. La segunda es un sitio web narrativo que contiene miles de páginas de texto escritas por expertos, las cuales describen las vías de tratamiento y las secuencias de atención. Cuando se plantea una pregunta, el agente analiza la solicitud y decide si consultar el grafo estructurado, buscar en el texto narrativo o usar ambos. Luego, recupera la información relevante y sintetiza una respuesta final. Para ver si este enfoque funcionaba, el equipo comparó HemOncAgent con otros tres sistemas: un modelo de lenguaje estándar sin conocimiento externo, un sistema que solo buscaba en el texto narrativo y un sistema que solo consultaba el grafo estructurado.

Las pruebas involucraron 600 preguntas divididas en dos grupos. El primer grupo se centró en hechos estructurados, como identificar los fármacos en un régimen o encontrar un código médico específico. El segundo grupo se centró en detalles narrativos, como determinar el orden de los tratamientos para un entorno de enfermedad específico. Los resultados mostraron un patrón claro. El sistema que solo buscaba en el texto narrativo funcionó bien en secuencias de tratamiento, pero fracasó estrepitosamente al encontrar códigos exactos o listas de fármacos. Por el contrario, el sistema que solo utilizó el grafo estructurado fue excelente en hechos, pero tuvo dificultades para encontrar las vías de tratamiento adecuadas descritas en el texto. El modelo de lenguaje estándar sin ayuda externa se desempeñó de manera deficiente en ambos casos. HemOncAgent, sin embargo, logró la puntuación más alta en general. Igualó el rendimiento del sistema especializado en grafos en las preguntas factuales y superó al sistema de solo texto en las preguntas narrativas, combinando con éxito las fortalezas de ambos enfoques.

Cuando los investigadores analizaron más de cerca los tipos específicos de preguntas, las ventajas del sistema híbrido se hicieron aún más claras. Para las preguntas que requerían coincidencias exactas, como encontrar la clasificación de un fármaco o un número de ensayo clínico, el agente dependió casi totalmente de la base de datos estructurada, logrando una precisión casi perfecta. Para las preguntas sobre entornos de tratamiento, como qué sucede después de que falla una terapia de primera línea, el agente buscó principalmente en las páginas narrativas. En estos casos, superó significamente al sistema de solo grafo, que no podía encontrar las respuestas ocultas en la prosa. El agente también demostró que podía mezclar fuentes inteligentemente cuando era necesario, utilizando tanto el grafo como el texto para aproximadamente una cuarta parte de las preguntas narrativas para asegurar una respuesta completa. Esta flexibilidad le permitió mantener una alta precisión en todo el rango del conocimiento oncológico.

El estudio también probó qué tan robustos eran estos hallazgos cambiando el modelo informático subyacente que generaba las respuestas. Incluso cuando los investigadores sustituyeron el motor principal por un tipo diferente de inteligencia artificial, el sistema híbrido continuó superando a las alternativas de fuente única. Aunque las puntuaciones absolutas cambiaron ligeramente, el patrón se mantuvo: tener acceso tanto a fuentes estructuradas como narrativas proporcionaba una ventaja constante. Los investigadores señalaron que el sistema de calificación automatizado utilizado para evaluar las respuestas coincidió con un segundo sistema de calificación independiente en casi el 94 por ciento de las respuestas, lo que brinda confianza en que los resultados no fueron solo un error de un método de evaluación específico.

A pesar de estos éxitos, los autores son cuidadosos al señalar los límites de sus hallazgos. Las preguntas utilizadas para las pruebas fueron generadas directamente de los mismos recursos que el sistema estaba buscando, lo que significa que la prueba midió qué tan bien el sistema podía recuperar información de esas fuentes específicas, en lugar de qué tan bien podía razonar sobre nuevos escenarios clínicos no vistos. El estudio no afirma que este sistema esté listo para reemplazar a los médicos o que pueda responder todas las posibles preguntas sobre la atención del cáncer, especialmente dado que las guías médicas cambian rápidamente y la base de conocimientos representa una instantánea en el tiempo. Sin embargo, los resultados sugieren fuertemente que, para los recursos de conocimiento clínico que abarcan tanto datos duros como narrativa humana, una estrategia de búsqueda única es insuficiente. Al permitir que un agente de inteligencia artificial elija la herramienta adecuada para la tarea, los investigadores han demostrado una forma práctica de hacer que la información médica sea más accesible y fiable.