LLM, fine-tuning, deep learning… Si todavía tienes dudas sobre algunos conceptos de IA en salud, respira: este artículo te ayudará.

Dominar el glosario de IA es el primer paso para aprovechar lo que la tecnología puede ofrecer en el ámbito sanitario. A lo largo de este artículo descubrirás, de forma práctica, el significado de los principales conceptos del universo de la IA y cómo se incorporan a las soluciones sanitarias.

¿Qué es el aprendizaje automático (Machine Learning)?

El aprendizaje automático, o Machine Learning, es una forma de IA que permite mejorar los sistemas a partir de los datos que se les proporcionan.

Estos modelos identifican patrones y “enseñan” a los algoritmos a tomar decisiones con objetivos específicos. Cuanto más amplia y de mayor calidad sea la base de datos, mejor será el resultado.

Ejemplo en salud: los modelos pueden entrenarse para identificar signos de melanoma o predecir la probabilidad de que un paciente desarrolle un carcinoma cutáneo a partir de sus hábitos de vida y su genética. El sistema mejora continuamente a medida que incorpora más información.

Deep Learning: un paso más allá

Dentro del aprendizaje automático, el deep learning es un área avanzada que simula el funcionamiento de nuestro cerebro mediante redes neuronales profundas capaces de razonar y establecer conexiones.

Estas redes acceden a la información y la conectan en múltiples capas, lo que amplía significativamente su capacidad para reconocer y crear patrones.

Ejemplo en salud: gracias al deep learning, los modelos pueden interpretar imágenes complejas, generar diagnósticos con mayor precisión e incluso conversar con fluidez.

LLM: Large Language Models

Los LLM (Large Language Models) son modelos de IA entrenados con enormes volúmenes de texto para comprender y generar lenguaje humano.

Funcionan como un sistema muy inteligente que completa frases: a partir de un contexto, predicen la siguiente palabra y permiten crear textos coherentes y naturales.

Ejemplo en salud: los LLM permiten a los médicos interactuar con la IA de forma intuitiva, utilizando lenguaje natural, sin necesidad de entender código ni instrucciones técnicas.

Modelos generativos: crear algo a partir de lo aprendido

Los modelos generativos utilizan todo lo que han aprendido para crear algo nuevo: un texto, una imagen, la molécula de un medicamento o un plan de tratamiento.

Ejemplo en salud: estos modelos están ayudando a simular estructuras de proteínas, proponer hipótesis de investigación o generar documentos personalizados a partir de la historia clínica de un paciente. No solo analizan: también crean a partir de lo aprendido.

Prompt Engineering: cómo dar las instrucciones adecuadas

Prompt engineering es la práctica de redactar instrucciones (prompts) para obtener respuestas más útiles y precisas de un modelo de IA.

Saber dar buenas instrucciones es como hacer las preguntas adecuadas a un compañero superinteligente. Cuanto más claro, directo y detallado sea tu prompt, mejor será la respuesta.

Ejemplo en salud: la creación de plantillas en Voa es un ejemplo de prompt. Das instrucciones, organizas el documento por apartados y solicitas tablas para presentar los resultados de las pruebas.

Fine-tuning: el toque final

El fine-tuning es una forma de personalizar un modelo de IA para una aplicación concreta. En lugar de entrenar una IA desde cero, personalizas y especializas un modelo existente para que responda a tus necesidades.

Ejemplo en salud: puedes utilizar un modelo de lenguaje genérico y ajustarlo para que comprenda los términos y las necesidades específicas de tu especialidad médica.

Lee también:
IA en salud: lo que los médicos deben saber sobre adulación, slop y GEO
Lo que los médicos deben saber sobre deskilling, human-in-the-loop, RAG y otros términos

Conectando las piezas

En resumen: puedes utilizar machine learning para entrenar una IA que cree imágenes médicas, como radiografías —eso es IA generativa—. Para que entienda instrucciones en portugués, aplicas LLM. Y para obtener el mejor resultado, redactas un prompt claro y bien estructurado.

Más adelante, si quieres que ese modelo cree únicamente imágenes de fracturas en una región concreta, haces fine-tuning. Así adaptas la IA a tu contexto clínico real.

Sigue explorando los conceptos y las aplicaciones de la IA en salud en el blog de Voa.