Guiando el razonamiento clínico con grandes modelos de lenguaje a través de semillas de conocimiento

El razonamiento clínico se refiere al proceso cognitivo que los médicos emplean para evaluar y gestionar pacientes. Este proceso típicamente implica sugerir exámenes necesarios, diagnosticar enfermedades de los pacientes y decidir sobre terapias apropiadas, etc. Un razonamiento clínico preciso requiere un amplio conocimiento médico y rica experiencia clínica, estableciendo un alto estándar para los médicos. Esto es particularmente desafiante en países en desarrollo debido al abrumador número de pacientes y recursos limitados de médicos, lo que contribuye significativamente a la inequidad en la salud global y requiere enfoques automatizados de razonamiento clínico. Recientemente, la aparición de grandes modelos de lenguaje (LLMs) como ChatGPT y GPT-4 han demostrado su potencial en el razonamiento clínico. Sin embargo, estos LLMs son propensos a problemas de alucinación, y el proceso de razonamiento de los LLMs puede no alinearse con el camino de decisión clínica de los médicos. En este estudio, introducimos un nuevo marco, In-Context Padding (ICP), diseñado para mejorar los LLMs con conocimiento médico. Específicamente, inferimos elementos críticos del razonamiento clínico (denominados semillas de conocimiento) y los utilizamos como anclajes para guiar el proceso de generación de los LLMs. Experimentos en dos conjuntos de datos de preguntas clínicas demuestran que ICP mejora significativamente la capacidad de razonamiento clínico de los LLMs.