Un nuevo enfoque en la utilización de modelos de lenguaje de gran tamaño (LLM, por sus siglas en inglés) está revolucionando la manera en que se llevan a cabo tareas analíticas complejas en el sector de la salud. Tradicionalmente, responder a preguntas como «¿Cuál es la duración promedio de estancia de los pacientes con [condición específica] en diferentes hospitales?» requería el tiempo y la experiencia de especialistas en inteligencia empresarial y ingenieros de datos. Este proceso solía ser prolongado y generaba cuellos de botella en la obtención de información.
Sin embargo, los avances recientes en los LLM han abierto nuevas posibilidades que permiten desglosar tareas complejas en varios pasos. A través del uso de herramientas que facilitan la ejecución de cada fase, se logran producir soluciones finales más efectivas. En este contexto, el término «herramientas» se reserva para capacidades o APIs externas que el modelo puede acceder e interactuar con, ampliando su funcionalidad más allá de las respuestas textuales. Esto significa que los LLM pueden realizar tareas especializadas, como recuperar información en tiempo real, ejecutar código o incluso generar imágenes, mejorando así la precisión y relevancia de las respuestas.
Un ejemplo significativo de estas capacidades es la solución de recuperación de registros de pacientes que se basa en un conjunto de datos existente y hace uso exclusivo de APIs, evitando la complejidad del enfoque de texto a SQL. Esta innovadora solución busca responder preguntas analíticas que requieren tanto razonamiento como ejecución multicanal. Durante una interacción, un usuario podría solicitar el nombre y apellido del paciente con menos vacunas, y el sistema podría proporcionar una respuesta precisa tras llevar a cabo una serie de pasos programáticos.
El proceso implementado en esta solución se articula en dos etapas: planificación y ejecución. En la etapa de planificación, se generan firmas de funciones API, lo que permite al LLM formular un plan claro y lógico para responder a la consulta del usuario. Esta planificación se expresa en un formato estructurado JSON, facilitando su posterior ejecución.
Por su parte, durante la etapa de ejecución, este plan se lleva a cabo de forma programática, con cada llamada a funciones ejecutándose en secuencia. La robustez del proceso se fortalece mediante mecanismos de manejo de errores, diseñados para detectar y resolver problemas potenciales que puedan surgir durante la ejecución, garantizando así resultados confiables y precisos.
Este enfoque demuestra cómo los LLM pueden transcender su rol como simples generadores de texto, ofreciendo, en cambio, soluciones prácticas basadas en datos que pueden transformar significativamente los flujos de trabajo analíticos y la toma de decisiones en el ámbito empresarial. La integración de esta tecnología en la salud no solo optimiza procesos, sino que también promete mejorar los resultados en la atención al paciente.
