Un estudio reciente llevado a cabo por un equipo de investigadores del Berlin Institute of Health at Charité, en colaboración con el Instituto Tecnológico de Massachusetts (MIT), ha revelado que los modelos de lenguaje de propósito general pueden alcanzar un rendimiento comparable al de los sistemas diseñados específicamente para el procesamiento de expedientes clínicos electrónicos. La investigación demuestra que la versatilidad de estos modelos generales puede resolver uno de los obstáculos más persistentes en la implementación de la inteligencia artificial dentro del sector salud: la falta de interoperabilidad entre los diferentes sistemas de codificación médica.
En el núcleo del estudio, los investigadores compararon el desempeño del modelo de lenguaje de propósito general Qwen3-Embedding-8B frente al modelo CLMBR-T-Base, un sistema especializado desarrollado por la Universidad de Stanford utilizando una base de datos masiva de más de 2.5 millones de historiales médicos. Para evaluar la eficacia de ambos, se realizaron pruebas basadas en 15 tareas distintas de predicción médica. Los resultados fueron sorprendentes, ya que el modelo genérico obtuvo una puntuación de precisión de 0.769, una cifra prácticamente idéntica a la alcanzada por el sistema especializado.
El trabajo, publicado en la revista npj Digital Medicine, pone el foco en una problemática técnica crítica. Actualmente, la mayoría de los sistemas de predicción clínica se entrenan utilizando el vocabulario médico específico de un solo hospital o de un sistema de salud particular. Esta dependencia genera una limitación severa, ya que los modelos suelen fallar cuando se intentan aplicar en otras instituciones que utilizan códigos o nomenclaturas diferentes. Para evidenciar este problema, los autores sometieron al modelo especializado CLMBR-T-Base a una prueba con datos provenientes del UK Biobank, un repositorio de información médica que cuenta con más de 500 mil participantes en el Reino Unido. El resultado fue revelador: el sistema especializado solo fue capaz de reconocer el 16% de los códigos clínicos, debido a que la gran mayoría no coincidía con el vocabulario original de su entrenamiento.
Para superar esta barrera de comunicación entre sistemas, los investigadores propusieron un método alternativo. En lugar de depender de códigos técnicos, convirtieron los registros médicos en texto simple. Este proceso consistió en reemplazar cada código clínico por su descripción en lenguaje natural, detallando el nombre de un medicamento, la descripción de un diagnóstico o el resultado específico de un laboratorio. Esta información fue procesada por el modelo de lenguaje general, el cual ha sido entrenado con vastas cantidades de texto proveniente de internet, permitiéndole generar una representación numérica —o embedding— del historial completo del paciente. Posteriormente, estas representaciones se utilizaron para entrenar clasificadores capaces de predecir eventos críticos, tales como la probabilidad de reingresos hospitalarios, la duración prolongada de las estancias médicas o la aparición de nuevas enfermedades.
Al aplicar este enfoque de lenguaje natural al conjunto de datos del UK Biobank, el modelo de lenguaje general no solo igualó, sino que superó al sistema especializado. El modelo genérico alcanzó una puntuación de 0.751, mientras que el especializado obtuvo 0.736. Según los autores del estudio, esta ventaja se debe a que el modelo general posee una capacidad superior para reconocer un rango más amplio de códigos médicos y se adapta con mayor facilidad a los datos provenientes de diversos sistemas hospitalarios. Además, el estudio destaca que la superioridad del modelo genérico es especialmente notoria en situaciones donde se dispone de pocos ejemplos para el entrenamiento, un escenario habitual en el caso de enfermedades poco frecuentes donde los datos son escasos.
Sin embargo, la investigación también advierte que esta flexibilidad conlleva un costo operativo significativo. El procesamiento del conjunto completo de datos de prueba requirió casi 22 horas utilizando el modelo de lenguaje general, mientras que el sistema especializado completó la misma tarea en apenas seis minutos. Los investigadores atribuyen esta disparidad temporal al mayor tamaño y a la complejidad computacional inherente a los modelos de lenguaje de propósito general.
Finalmente, el equipo de científicos señaló que los resultados deben interpretarse considerando que existen diferencias marcadas en la arquitectura y la escala entre ambos tipos de modelos. Por ello, subrayan la necesidad de evaluar este enfoque en sistemas de salud adicionales para confirmar la capacidad de generalización de este método en diversos contextos clínicos reales.
