Resumen La creciente demanda de capacidades multilingües en la tecnología de salud resalta la necesidad crítica de soluciones de IA capaces de manejar lenguas subrepresentadas, como el árabe, en la documentación clínica. Las complejidades lingüísticas únicas del árabe—riqueza morfológica, variaciones sintácticas y diglosia—presentan desafíos significativos para los modelos de lenguaje grande (LLMs) fundamentales, especialmente en tareas específicas de dominio como la summarización médica. Este estudio presenta AraSum, un agente de IA específico de dominio construido utilizando un novedoso marco de destilación de conocimiento que transforma grandes LLMs multilingües en modelos de lenguaje pequeños (SLMs) optimizados para tareas. Aprovechando un conjunto de datos sintético de diálogos médicos en árabe, AraSum demuestra un rendimiento superior al de JAIS-30B, un LLM árabe fundamental, en métricas de evaluación clave, incluyendo puntajes BLEU y ROUGE. AraSum también supera a JAIS en las evaluaciones de evaluadores de habla árabe en términos de precisión, exhaustividad y utilidad clínica mientras mantiene un rendimiento lingüístico comparable medido por un inventario modificado PDQI-9. Más allá de la precisión, AraSum logra estos resultados con costos computacionales y ambientales significativamente más bajos, demostrando la viabilidad de implementar modelos de IA eficientes en recursos en entornos de bajos recursos para tareas específicas de dominio. Este trabajo subraya el potencial de arquitecturas basadas en SLM para avanzar en la salud multilingüe, fomentar una inteligencia artificial sostenible y promover la equidad en el acceso a la atención.
Lee et al. (Tue,) estudiaron esta cuestión.