Los LLM, siglas en inglés de “Large Language Model”, o en español "modelos de lenguaje grande" son una categoría de modelos de inteligencia artificial (IA) que pueden entender y generar lenguaje humano. 

Los LLM son modelos de aprendizaje automático que se entrenan con grandes cantidades de datos. Su arquitectura se basa en redes neuronales que aplican aprendizaje profundo (“deep learning”) para representar las relaciones complejas entre palabras a partir de grandes volúmenes de datos extraídos de internet, libros y artículos científicos. 

El aprendizaje profundo se refiere a una forma de aprendizaje automático que emplea redes neuronales de múltiples capas, lo que permite procesar datos no estructurados (como imágenes, videos y texto). A través de este proceso de entrenamiento, que puede tener múltiples etapas e involucrar distintos niveles de intervención humana, los LLMs aprenden cómo se usan las palabras entre sí en el lenguaje, y pueden aplicar estos patrones aprendidos para realizar tareas de procesamiento del lenguaje natural.

A medida que avanzan las técnicas de aprendizaje profundo, los recursos computacionales poderosos y los grandes conjuntos de datos para entrenamiento, comienzan a aparecer aplicaciones de LLM con potencial de transformar el trabajo cognitivo en múltiples sectores, incluida la salud.

Estos modelos son capaces de realizar diversas tareas de procesamiento y análisis del lenguaje natural como: traducción, clasificación, generación de texto, responder preguntas de manera conversacional e identificar patrones de datos. 

En los últimos años, estos modelos han emergido como una tecnología disruptiva en múltiples ámbitos, incluyendo el de la salud. Estos sistemas de inteligencia artificial son capaces de responder a consultas en lenguaje natural sin haber sido entrenados específicamente para la tarea en cuestión (fenómeno conocido como “zero-shot”), lo que ha generado tanto entusiasmo como preocupación en entornos clínicos.

Gracias a estas capacidades, los LLMs han comenzado a aplicarse en tareas que van desde el soporte clínico hasta la educación médica y la investigación. 

En este ateneo, exploramos el desarrollo y las aplicaciones actuales de los LLMs en medicina. Analizaremos su potencial para optimizar flujos de trabajo clínico y mejorar la atención al paciente, así como las limitaciones técnicas y los desafíos que enfrenta su integración en el ámbito sanitario.

Los avances en procesamiento de lenguaje natural (NLP) e inteligencia artificial, especialmente con el desarrollo de modelos de lenguaje grandes (LLMs), podrían automatizar parte del trabajo administrativo y liberar tiempo para que los profesionales sanitarios se enfoquen en el cuidado del paciente.

Sin embargo, su implementación introduce riesgos nuevos: los LLMs manejan grandes volúmenes de información sensible, lo que los convierte en blancos atractivos para ciberataques. 

Entonces, las organizaciones deben garantizar el cumplimiento normativo, proteger los datos y mitigar amenazas como filtraciones o accesos no autorizados.

Por otro lado, aunque los LLMs muestran habilidad para generar texto, su fiabilidad en contextos médicos sigue siendo incierta, especialmente cuando no han sido entrenados con datasets médicos confiables (como guías clínicas, literatura científica o registros de pacientes). Si se entrenan con información inconsistente, pueden distorsionar el contenido médico y ofrecer consejos incorrectos o poco creíbles.

Los LLMs tienen el potencial de reducir la carga administrativa que enfrentan los médicos, permitiéndoles enfocarse más en el paciente y menos en la historia clínica electrónica. Sin embargo, los LLMs no pueden reemplazar el vínculo humano. No se debe esperar que los pacientes dependan únicamente de estos modelos para su atención médica. 

La tecnología debe complementar, no sustituir, la interacción clínica.

Los LLMs pueden mejorar la experiencia tanto del médico como del paciente, pero su implementación debe hacerse con cautela, supervisión y responsabilidad ética.

Para ver la presentación completa, hacé clic en este enlace.