La terapia de precisión ha surgido como un enfoque crítico en la atención médica, adaptando los tratamientos a los perfiles de pacientes individuales para optimizar los resultados al tiempo que reduce los riesgos. Sin embargo, determinar la medicación apropiada implica un análisis complejo de numerosos factores: características del paciente, comorbilidades, posibles interacciones farmacológicas, contraindicaciones, pautas clínicas actuales, mecanismos de medicamentos y biología de la enfermedad. Mientras que los modelos de idiomas grandes (LLM) han demostrado capacidades de tareas terapéuticas a través de datos médicos previos a la altura y ajuste, enfrentan limitaciones significativas. Estos modelos carecen de acceso al conocimiento biomédico actualizado, generan frecuentemente alucinaciones y luchan para razonar de manera confiable en múltiples variables clínicas. Además, el entrenamiento de LLM con nueva información médica demuestra computacionalmente prohibitivo debido al olvido catastrófico. Los modelos también corren el riesgo de incorporar contenido médico no verificado o deliberadamente engañoso de sus extensos datos de capacitación, comprometiendo aún más su confiabilidad en aplicaciones clínicas.
Se han desarrollado LLM acomodados en herramientas para abordar las limitaciones de conocimiento a través de mecanismos de recuperación externos como la generación de recuperación acuática (TRAPO). Estos sistemas intentan superar los problemas de alucinación al obtener información de drogas y enfermedades de bases de datos externas. Sin embargo, todavía se quedan cortos en la ejecución del proceso de razonamiento de varios pasos esenciales para una selección efectiva del tratamiento. La terapia de precisión se beneficiaría significativamente de las capacidades de razonamiento iterativo donde los modelos podrían acceder a fuentes de información verificadas, evaluar sistemáticamente las posibles interacciones y refinar dinámicamente las recomendaciones de tratamiento basadas en un análisis clínico integral.
Investigadores de la Facultad de Medicina de Harvard, Laboratorio MIT Lincoln, Instituto Kempner para el Estudio de Inteligencia Natural y Artificial, Universidad de Harvard, Instituto Broad de MIT y Harvard e Iniciativa de Ciencia de Datos de Harvard Introducción Txagent, Representación de un innovador sistema de IA que ofrece recomendaciones de tratamiento con pruebas con evidencia integrando un razonamiento de varios pasos con herramientas biomédicas en tiempo real. El agente genera respuestas del lenguaje natural al tiempo que proporciona rastros de razonamiento transparente que documentan su proceso de toma de decisiones. Emplea la selección de herramientas basada en objetivos, accediendo bases de datos externos y modelos especializados de aprendizaje automático para garantizar la precisión. El apoyo de este marco está ToolUniverse, una caja de herramientas biomédica integral que contiene 211 herramientas curadas por expertos que cubren mecanismos de medicamentos, interacciones, pautas clínicas y anotaciones de enfermedades. Estas herramientas incorporan fuentes confiables como OpenFDA, Open Targets y la ontología del fenotipo humano. Para optimizar la selección de herramientas, TXAGENT implementa Toolrag, un sistema de recuperación basado en ML que identifica dinámicamente las herramientas más relevantes del ToolUniverse en función del contexto de consulta.
La arquitectura de TXAGENT integra tres componentes centrales: ToolUniverse, que comprende 211 diversas herramientas biomédicas; un LLM especializado, ajustado para razonamiento y ejecución de herramientas de varios pasos; y el modelo Toolrag para la recuperación de herramientas adaptativas. La compatibilidad de la herramienta está habilitada a través de ToolGen, un sistema de múltiples agentes que genera herramientas a partir de la documentación de API. El agente se somete a ajuste fino con instructo txagent, un conjunto de datos extenso que contiene 378,027 muestras de ajuste de instrucciones derivadas de 85,340 trazas de razonamiento de varios pasos, que abarcan 177,626 pasos de razonamiento y 281,695 llamadas a funciones. Este conjunto de datos es generado por QuateGen y TraceGen, sistemas de múltiples agentes que crean diversas consultas terapéuticas y trazas de razonamiento paso a paso que cubren la información del tratamiento y los datos de drogas de las etiquetas de la FDA que se remontan a 1939.
TXAGENT demuestra capacidades excepcionales en el razonamiento terapéutico a través de su enfoque múltiple. El sistema utiliza numerosas bases de conocimiento verificadas, incluidas las etiquetas de fármacos aprobadas por la FDA y los objetivos abiertos, para garantizar respuestas precisas y confiables con trazas de razonamiento transparentes. Excelente en cuatro áreas clave: el conocimiento de la base utilizando llamadas de herramientas, recuperando información verificada de fuentes confiables; Selección de herramientas orientada a objetivos a través del modelo Toolrag; razonamiento terapéutico de múltiples pasos para problemas complejos que requieren múltiples fuentes de información; y recuperación en tiempo real de fuentes de conocimiento continuamente actualizadas. Es importante destacar que TXAGENT identificó con éxito indicaciones para Bizengri, un medicamento aprobado en diciembre de 2024, mucho después del corte de conocimiento de su modelo base, consultando la API OpenFDA directamente en lugar de depender de un conocimiento interno obsoleto.
TXAGENT representa un avance significativo en la medicina de precisión asistida por AI, que aborda las limitaciones críticas de los LLM tradicionales a través del razonamiento de varios pasos e integración de herramientas específicas. Al generar senderos de razonamiento transparente junto con recomendaciones, el sistema proporciona procesos de toma de decisiones interpretables para problemas terapéuticos. La integración de ToolUniverse permite el acceso en tiempo real al conocimiento biomédico verificado, lo que permite a TXAGENT hacer recomendaciones basadas en datos actuales en lugar de información de entrenamiento estático. Este enfoque permite al sistema mantenerse actualizado con los medicamentos recientemente aprobados, evaluar las indicaciones apropiadas y ofrecer recetas basadas en evidencia. Al fundamentar todas las respuestas en fuentes verificadas y proporcionar pasos de decisión rastreables, TXAGENT establece un nuevo estándar para la IA confiable en el apoyo a las decisiones clínicas.
Verificar el Papel, Página del proyecto y Página de Github. Todo el crédito por esta investigación va a los investigadores de este proyecto. Además, siéntete libre de seguirnos Gorjeo Y no olvides unirte a nuestro 85k+ ml de subreddit.
Asjad es consultor interno en MarktechPost. Está persiguiendo B.Tech en Ingeniería Mecánica en el Instituto de Tecnología Indio, Kharagpur. Asjad es un entusiasta de aprendizaje automático y aprendizaje profundo que siempre está investigando las aplicaciones del aprendizaje automático en la atención médica.