Mejorando el modelo de respuesta a preguntas médicas impulsado por GPT utilizando técnicas de generación aumentada por recuperación SPARQL.

El desarrollo de sistemas de respuesta a preguntas médicas (QAS) enfrenta desafíos significativos debido a las complejidades de las terminologías médicas y la falta de conjuntos de datos fiables. Las deficiencias de los QAS tradicionales impulsados por inteligencia artificial (IA) conducen a resultados con una mayor tasa de alucinaciones. Para superar estas limitaciones, existe una demanda de un QAS fiable para comprender y procesar consultas médicas complejas y validar la calidad y relevancia de sus resultados. En este estudio, desarrollamos un QAS médico integrando SPARQL, generación aumentada por recuperación (RAG) y modelos de transformador generativo preentrenado (GPT)-Neo. Usando esta estrategia, generamos un conjunto de datos sintético para entrenar y validar el modelo propuesto, abordando las limitaciones de los QAS existentes. El QAS propuesto se generalizó en el conjunto de datos MEDQA. Los resultados revelaron que el modelo logra una precisión de generalización del 87.26% con una tasa mínima de alucinaciones del 0.16. El modelo superó a los modelos existentes aprovechando técnicas de aprendizaje profundo para manejar consultas médicas complejas. La capacidad dinámica de respuesta del modelo propuesto le permite mantener la precisión de la información médica en un entorno de atención médica en rápida evolución. Emplear técnicas avanzadas de reducción de alucinaciones y refinamiento de consultas puede ajustar el rendimiento del modelo.