Análisis y diseño de un sistema RAG multiagente para soporte a la decisión clínica

Resumen

La creciente incorporación de sistemas de inteligencia artificial en el ámbito sanitario abre nuevas oportunidades para mejorar la eficiencia, la seguridad y la calidad de los procesos asistenciales, especialmente en contextos caracterizados por una elevada demanda, recursos clínicos limitados y una ascendente presión sobre los profesionales sanitarios. En este escenario, uno de los principales retos es la gestión y optimización de las listas de espera, donde una asignación ineficiente de prioridades puede derivar tanto en retrasos clínicamente relevantes como en una sobrecarga adicional de trabajo para el personal médico. En este contexto, el presente Trabajo Fin de Grado aborda el análisis y diseño de un sistema inteligente orientado al soporte a la decisión clínica durante la anamnesis inicial en el ámbito de la reumatología, con el objetivo principal de asistir en la priorización de los casos clínicos para contribuir a la optimización de las listas de espera y, de forma complementaria, automatizar la fase de anamnesis con el fin de optimizar el tiempo efectivo de consulta, y reducir la carga administrativa y la presión asistencial sobre los profesionales sanitarios, favoreciendo indirectamente también una mejora global de los tiempos de espera.

El trabajo propone una arquitectura híbrida basada en Generación por Recuperación Aumentada (RAG) y un Sistema Multiagente (MAS), estructurada en tres fases diferenciadas. En una primera fase de preparación del conocimiento externo, la información clínica de referencia se somete a un proceso de fragmentación semántica, vectorización e inserción en una base de datos vectorial, permitiendo su indexación eficiente. En una segunda fase de recuperación, el sistema identifica y extrae de dicha base el conocimiento más relevante en función de la consulta clínica recibida. Finalmente, en una tercera fase de generación y razonamiento, el sistema automatiza la estructuración de la anamnesis a partir del relato del paciente y, apoyándose en la información recuperada, detecta señales de alarma clínicas y asigna una prioridad asistencial adecuada, generando notas clínicas homogéneas y estructuradas que pueden integrarse directamente en los sistemas de información sanitaria.

Desde el punto de vista metodológico, el trabajo realiza una revisión exhaustiva del estado del arte en modelos de lenguaje y su aplicación en entornos clínicos, así como de los fundamentos teóricos de los sistemas RAG y los enfoques multiagente. Sobre esta base, se diseña e implementa un prototipo funcional que integra ambos paradigmas, justificando las decisiones técnicas adoptadas y de limitando explícitamente el alcance del sistema como una herramienta de apoyo al juicio clínico, orientada a automatizar tareas administrativas y de documentación sin sustituir la valoración médica.

La evaluación del sistema se lleva a cabo mediante un conjunto de 21 escenarios clínicos reumatológicos simulados, empleando métricas técnicas y criterios cualitativos orientados a analizar la relevancia del contexto recuperado, la coherencia de la información generada y la consistencia en la asignación de prioridades asistenciales. Sobre la muestra evaluada, el sistema alcanza un error absoluto medio (MAE) igual a 0,62 y un error cuadrático medio (RMSE) de 1,1 en la comparación entre la prioridad asignada por el sistema y la proporcionada por el experto clínico, lo que evidencia una concordancia adecuada en el contexto experimental planteado y respalda la viabilidad del enfoque propuesto.

Finalmente, el trabajo discute sobre las limitaciones del sistema y las implicaciones de la integración de modelos de lenguaje generativos en entornos clínicos reales, subrayando la importancia de la supervisión humana, la colaboración interdisciplinar y la investigación continua. El prototipo desarrollado no se plantea como un producto final, sino como un punto de partida para futuras líneas de investigación orientadas a una adopción responsable y sostenible de la inteligencia artificial en la práctica clínica, con el objetivo último de mejorar la eficiencia del sistema sanitario, la equidad en el acceso a la atención y las condiciones de trabajo de los profesionales de la salud.

ABSTRACT

The increasing adoption of artificial intelligence systems in the healthcare domain opens up new opportunities to improve the efficiency, safety, and quality of care processes, especially in contexts characterized by high demand, limited clinical resources, and growing pressure on healthcare professionals. In this scenario, one of the main challenges is the management and optimization of waiting lists, where inefficient prioritization can lead to clinically relevant delays as well as additional working overload for medical staff. Within this context, this Bachelor’s Thesis addresses the analysis and design of an intelligent system oriented toward clinical decision support during the initial anamnesis in the rheumatology field, with the main goal of assisting in the prioritization of clinical cases to contribute to the optimization of waiting lists and, complementarily, automating the anamnesis phase in order to optimize effective consultation time, and reduce administrative burden and pressure on healthcare professionals, indirectly favoring too an overall improvement in waiting times.

The work proposes a hybrid architecture based on Retrieval-Augmented Generation (RAG) and a Multi-Agent System (MAS), structured into three differentiated phases. In a first phase of external knowledge preparation, reference clinical information is subjected to a process of semantic fragmentation, vectorization, and insertion into a vector database, enabling efficient indexing. In a second retrieval phase, the system identifies and extracts from this database the most relevant knowledge according to the received clinical query. Finally, in a third generation and reasoning phase, the system automates the structuring of the anamnesis based on the patient’s narrative and, relying on the retrieved information, detects clinical alarm signals and assigns an appropriate care priority, generating homogeneous and structured clinical notes that can be directly integrated into healthcare information systems.

Fromamethodological point of view, the work carries out an exhaustive review of the state of the art in language models and their application in clinical environments, as well as of the theoretical foundations of RAG systems and multi-agent approaches. On this basis, a functional prototype is designed and implemented that integrates both paradigms, justifying the technical decisions adopted and explicitly delimiting the scope of the system as a tool to support clinical judgment, aimed at automating administrative and documentation tasks without replacing medical assessment.

The evaluation of the system is carried out using a set of 21 simulated rheumatological clinical scenarios, employing technical metrics and qualitative criteria aimed at analyzing the relevance of the retrieved context, the coherence of the generated information, and the consistency in the assignment of care priorities. In the evaluated sample, the system achieves a mean absolute error (MAE) equal to 0.62 and a root mean squared error (RMSE) of 1.1 when comparing the priority assigned by the system with that provided by the clinical expert, demonstrating an adequate agreement within the proposed experimental context and supporting the viability of the proposed approach.

Finally, the work discusses the limitations of the system and the implications of integrating generative language models into real clinical environments, high lighting the importance of human supervision, interdisciplinary collaboration, and continuous research. The developed prototype is not conceived as a final product, but rather as a starting point for future research lines oriented toward the responsible and sustainable adoption of artificial intelligence in clinical practice, with the ultimate goal of improving the efficiency of the healthcare system, equity in access to care, and the working conditions of healthcare professionals.