Hatem Abdellatif FATAHALLAH IBRAHIM MAHMOUD

-

Uso de modelos de lenguaje (LLMs) para la extracción fiable y estructurada de información médica por patología

Introducción: El volumen de publicaciones médicas y clínicas crece rápidamente, lo que dificulta la identificación y estructuración del conocimiento relevante por patología. Los modelos de lenguaje de gran escala (LLMs) ofrecen nuevas oportunidades para analizar textos científicos y extraer información médica de forma automática. Sin embargo, su aplicación en este dominio requiere mecanismos que permitan obtener información estructurada, coherente y trazable. Este Trabajo Fin de Grado propone el uso de LLMs para extraer conocimiento médico desde publicaciones científicas y organizarlo en un formato estructurado que facilite su análisis y reutilización. Objetivo general: Desarrollar un sistema basado en modelos de lenguaje (LLMs) para la extracción automática y estructurada de información médica por patología a partir de publicaciones científicas. Tareas principals: 1- Seleccionar una o dos patologías y recopilar publicaciones médicas relevantes (por ejemplo, artículos de PubMed), definiendo los conceptos clínicos clave a extraer. 2. Implementar un pipeline que utilice LLMs para identificar entidades y relaciones clínicas (síntomas, diagnósticos, tratamientos) y generar salidas estructuradas. 3. Crear un grafo de conocimiento que represente las entidades y relaciones por patología y evaluar su coherencia y utilidad mediante análisis cualitativo.

16-DES-2025

Modelos de Lenguaje (LLMs), Extracción de Información Médica, Procesamiento del Lenguaje Natural (PLN) , Grafos de Conocimiento

-