Del dato al insight: una competencia crítica para Medical Affairs

En la industria farmacéutica, un dato no equivale por sí solo a un insight. El dato representa un resultado, mientras que el insight implica su interpretación, la valoración de su relevancia y su traducción en una conclusión útil para un contexto específico. La revisión bibliográfica, por tanto, no debe limitarse a recopilar resultados, sino a identificar la solidez de los hallazgos, discriminar su importancia y extraer lecturas aplicables al objetivo planteado.

«El valor no reside en el dato, sino en su interpretación y aplicabilidad en contexto.«

Esto se complica en un entorno en el que la producción científica biomédica crece de forma continua, ya que más información no implica necesariamente mejor análisis. Para los equipos médicos, el reto es revisar, comparar y priorizar la evidencia con criterio, evitando dedicar recursos a hallazgos llamativos, pero poco relevantes y centrando la atención en aquellos resultados con verdadero valor para el objetivo planteado.

Dónde encontrar insights y cuándo un dato empieza a generar valor

Los insights más útiles no siempre se encuentran en la parte más visible del artículo. Con frecuencia, aparecen en elementos que requieren una lectura más crítica. Por ello, revisar un artículo con una mirada orientada al insight exige ir más allá del abstract y de la conclusión. Implica valorar qué demuestra realmente el estudio, qué no demuestra, qué señales son consistentes y qué hallazgos pueden tener utilidad en el contexto médico o estratégico planteado.

Un dato empieza a generar valor cuando deja de interpretarse de forma aislada. La significancia estadística puede ser relevante, pero no equivale automáticamente a relevancia clínica, utilidad estratégica ni solidez suficiente para sostener un mensaje. Para transformar un resultado en un insight útil, es necesario valorar la magnitud del efecto, la consistencia de los datos, el contexto metodológico, las limitaciones del estudio y la aplicabilidad real del hallazgo.

«El insight más útil no es el más llamativo, sino el mejor sustentado.«

Del artículo al mensaje: adaptar el insight al contexto

Transformar un dato en insight no consiste solo en interpretar correctamente el estudio, sino en adaptar el mensaje al público, al objetivo del material y al marco de compliance correspondiente. Un mismo hallazgo puede tener usos distintos según el contexto, por lo que cada afirmación debe ser proporcionada, trazable y estar claramente vinculada a su fuente original.

Según el contexto, será necesario ajustar la forma de comunicar el insight para cumplir con los requisitos de compliance aplicables:

• Material científico o informe interno 

• Revisión de evidencia 

• Presentación estratégica 

• Material médico no promocional 

• Material médico promocional

La IA puede ser una gran aliada en la extracción de insights

En este escenario, la inteligencia artificial puede aportar un apoyo relevante, no solo para resumir artículos, sino para detectar patrones, comparar hallazgos, organizar grandes volúmenes de información, identificar vacíos de conocimiento y explorar nuevas líneas o hipótesis emergentes.

«Herramientas como ChatGPT, Gemini, NotebookLM, Consensus o Elicit pueden ayudar a acelerar este proceso, siempre que se utilicen con criterio científico y no como sustituto de la interpretación experta. «

Formarse para transformar evidencia en valor

Por ello, la formación “Del dato al insight” está orientada a ayudar a profesionales de la Industria Farmacéutica a identificar qué datos importan realmente, cómo interpretarlos con solidez y cómo convertirlos en mensajes útiles, trazables y alineados con las necesidades de la compañía.

Porque hoy, más que acceder a la evidencia, lo importante es saber transformarla en valor.

Autor | Miguel De La Flor (Medical Affairs Coordinator en Meisys)

La entrada Cómo transformar evidencia en valor estratégico en Industria Farmacéutica se publicó primero en Meisys.

En los últimos años han aparecido numerosas herramientas capaces de resumir artículos, identificar publicaciones relevantes o sintetizar resultados de múltiples estudios. Estas tecnologías ofrecen un enorme potencial para mejorar la eficiencia en el análisis de la evidencia científica. Sin embargo, el verdadero cambio no reside únicamente en utilizar herramientas de IA, sino en saber integrarlas correctamente dentro de un proceso riguroso de búsqueda y evaluación de la literatura.

Infoxicación en la literatura científica

Actualmente, el volumen de literatura científica crece a un ritmo exponencial. Con millones de artículos publicados anualmente, el especialista en MI se enfrenta a una paradoja: nunca hemos tenido tanta información y, a la vez, nunca ha sido tan complejo la identificación rápida de la evidencia más relevante.

Tradicionalmente, las búsquedas se han cimentado en estrategias estructuradas que combinan palabras clave, términos controlados (como los MeSH en PubMed) y operadores booleanos.

Este enfoque, que garantiza la reproducibilidad, sigue siendo fundamental y constituye la base de las revisiones sistemáticas y del trabajo riguroso. Sin embargo, también presenta algunas limitaciones: requiere conocer previamente la terminología utilizada, anticipar sinónimos o variaciones conceptuales y adaptar las consultas a las particularidades taxonómicas de cada base de datos. Como resultado, una búsqueda mal planteada puede dejar fuera estudios relevantes o generar un volumen excesivo de resultados irrelevantes y/o difíciles de revisar.

El papel de la IA en las nuevas búsquedas bibliográficas

Las herramientas de IA nos ayudan a complementar las búsquedas tradicionales mediante el uso de técnicas como el procesamiento del lenguaje natural (NLP) o el análisis semántico de textos científicos. Además, la integración de Large Language Models (LLMs) ha transformado el procesamiento NLP: ya no solo buscamos por palabras clave, sino por semántica y contexto.

Gracias a estos avances, muchas plataformas permiten hoy:

• formular preguntas en lenguaje natural
• identificar artículos relacionados semánticamente
• resumir resultados de múltiples estudios
• detectar relaciones entre conceptos científicos
• analizar rápidamente grandes volúmenes de literatura

Esto permite acelerar tareas que antes requerían horas de trabajo manual.

La estrategia digital líder en MI se basa en el RAG (Generación Aumentada por Recuperación): técnica de IA generativa que asegura la información de fuentes validadas y trazables, actuando como un sintetizador de evidencia real.

No obstante, en el ámbito clínico, el uso de IA «abierta» presenta riesgos a tener en cuenta, principalmente las alucinaciones, que se manifiestan como la generación de datos o citas inexistentes. Esto plantea nuevas preguntas sobre la fiabilidad de los resultados, la trazabilidad de las fuentes o la correcta interpretación de la evidencia. Para mitigar esto, la estrategia se basa en el RAG (Retrieval-Augmented Generation), que asegura que la IA no «invente» respuestas, sino que recupere información exclusivamente de fuentes validadas y trazables (PubMed, registros de ensayos clínicos, Fichas Técnicas), actuando como un sintetizador de evidencia real y no como un generador de texto creativo.

Usar IA vs. saber usar IA

A medida que estas herramientas se incorporan al trabajo diario de investigadores y profesionales sanitarios, se hace evidente una diferencia importante entre utilizar una herramienta de IA y saber utilizarla con criterio científico. La diferencia entre el uso casual y el uso experto determina la seguridad y la validez de la respuesta médica.

Qué tareas puede facilitar la IA para Medical Information

Cuando se utiliza correctamente, la IA puede convertirse en una herramienta muy útil para optimizar distintas fases de una búsqueda bibliográfica. Entre las aplicaciones más frecuentes destacan:

1. Exploración Semántica y Generación de estrategias de búsqueda: Los modelos de lenguaje pueden ayudar a identificar sinónimos y conceptos relacionados que enriquecen las estrategias de búsqueda tradicionales.
2. Identificación preliminar de literatura relevante: Algunas plataformas permiten detectar artículos relacionados semánticamente con una pregunta de investigación concreta, ayudando a identificar literatura gris (aquella “difícil de encontrar” o no indexada).
3. Cribado Inicial de Resultados (Screening): Las herramientas de IA pueden ayudar a priorizar artículos potencialmente relevantes cuando el volumen de resultados es elevado. Para ello se pueden apoyar en criterios de inclusión/exclusión definidos previamente por el humano.
4. Síntesis preliminar de la literatura: La IA puede generar, en cuestión de minutos, resúmenes que integran múltiples estudios preseleccionados, facilitando que el investigador se oriente rápidamente en un nuevo campo de estudio.
5. Análisis de documentos científicos: Algunas herramientas permiten analizar PDFs y extraer información clave sobre metodología, resultados o limitaciones de un estudio. 

La IA puede acelerar el acceso a la información, pero no sustituye el juicio experto necesario para interpretarla correctamente.

Hacia un Nuevo Rol: El Curador de Información Médica

El futuro del Medical Information Specialist no es competir contra el algoritmo, sino liderarlo. La IA, en lugar de sustituir los métodos tradicionales, puede integrarse como una herramienta adicional dentro del proceso de búsqueda bibliográfica.

Un flujo de trabajo cada vez más habitual podría incluir:

1. Definición de la pregunta de investigación.
2. Uso de herramientas de IA para explorar el tema y generar estrategias de búsqueda.
3. Búsqueda estructurada en bases de datos indexadas (PubMed, Scopus, Web of Science, etc.)
4. Cribado inicial de los artículos seleccionados y síntesis preliminar de evidencia mediante modelos de lenguaje.
5. Validación humana.

Este enfoque permite combinar la velocidad de la IA con el rigor metodológico del análisis científico tradicional.

Autor | Víctor Mendoza Grimau (Medical Information Specialist en Meisys)

Glosario Técnico para el Especialista

– LLM (Large Language Model): Modelos de IA entrenados con vastas cantidades de texto para comprender y generar lenguaje humano.

– RAG (Retrieval-Augmented Generation): Técnica que combina la generación de lenguaje con la recuperación de información de bases de datos externas para garantizar veracidad.

– Human-in-the-loop (HITL): Modelo de interacción donde el juicio humano es obligatorio en el ciclo de decisión de la IA.

– Alucinación: Error en el que la IA genera información convincente pero falsa o sin base en los datos de entrenamiento/fuente.

– Prompt Engineering: El arte y ciencia de estructurar instrucciones para obtener el mejor resultado posible de una IA.

La entrada Cómo usar la IA en búsquedas bibliográficas científicas: Guía para Departamentos Médicos se publicó primero en Meisys.

¿Por qué utilizar IA en la búsqueda de bibliografía?

La Inteligencia Artificial está en auge. En los últimos años, su aplicación en diversos ámbitos profesionales se ha convertido en una tendencia generalizada. Para muchas empresas, parece imprescindible incorporar esta tecnología en sus nuevos productos y servicios. Sin embargo, más allá de esta popularidad, es importante reconocer que la IA tiene un impacto más significativo en algunos campos que en otros. Por eso, antes de detallar qué herramientas de IA utilizamos en Meisys para gestionar bibliografía científica, quiero mostrar por qué este ámbito es especialmente adecuado para aprovechar su potencial.

Búsquedas bibliográficas: Plataformas tradicionales vs. Inteligencia Artificial

El uso de plataformas tradicionales como PubMed, Scopus o Embase en la búsqueda de bibliografía científica presenta múltiples desafíos.

En primer lugar, requiere comprender las reglas específicas de cada plataforma para construir búsquedas eficaces. Esto incluye conocer qué operadores booleanos utilizan, qué filtros están disponibles y en qué campos de los metadatos se pueden aplicar los términos clave, entre otros aspectos.

Por otro lado, la construcción de un criterio de búsqueda completo implica una fase de investigación previa para identificar qué términos (keywords) se emplean en nuestros artículos de interés, así como sus sinónimos, ya que un mismo concepto puede expresarse de distintas maneras en diferentes estudios.

Procesamiento de Lenguaje Natural (PLN)

Aquí es donde la Inteligencia Artificial, a través del Procesamiento de Lenguaje Natural (PLN), se convierte en un aliado fundamental, pues permite que las herramientas de búsqueda comprendan qué información nos interesa a partir de una pregunta formulada en lenguaje natural.

Preguntamos a la “máquina” de la misma forma que lo haríamos a un compañero, y esta es capaz de entendernos y de generar una respuesta igualmente comprensible. Esto facilita que los investigadores formulen sus preguntas de manera intuitiva, sin necesidad de dominar las complejidades técnicas de las plataformas tradicionales.

Sin embargo, en el ámbito científico, una característica fundamental es que ninguna afirmación tiene validez si no está respaldada por investigación previa. Y este es uno de los principales temores que plantea el uso de los modelos de lenguaje: ¿de dónde obtiene la información que nos devuelve? ¿Es una fuente fiable? ¿Está actualizada?

Técnica Retrieval-Augmented Generation (RAG)

Aunque el PLN ha mejorado la comprensión de las consultas, el verdadero salto cualitativo se ha dado con la incorporación de la técnica Retrieval-Augmented Generation (RAG), que podría traducirse como “Generación Aumentada con Recuperación”.

A diferencia de los modelos tradicionales, que generan respuestas basadas únicamente en los datos con los que fueron entrenados, RAG permite que los modelos de IA se conecten dinámicamente a bases de datos externas, extrayendo información actualizada y específica para generar respuestas más precisas y contextualizadas. Este enfoque reduce significativamente las «alucinaciones» de la IA, ya que las respuestas están fundamentadas en fuentes verificables.

Además, RAG permite que las herramientas de IA se mantengan actualizadas de manera continua, ya que acceden en tiempo real a fuentes externas que se renuevan constantemente. Esta capacidad de integrar nueva información a medida que se publica garantiza que, en el contexto de la producción científica —donde el volumen de investigaciones crece de forma exponencial—, las búsquedas bibliográficas no solo sean más eficientes, sino también alineadas con los avances más recientes.

En resumen, la búsqueda de bibliografía científica es un terreno ideal para la aplicación de la IA: el PLN facilita la comprensión de la pregunta de investigación, el RAG permite acceder a información actualizada y respaldada por fuentes científicas verificables, y la IAG (Inteligencia Artificial Generativa) genera respuestas originales basadas en esos textos.

¿Qué herramientas potenciadas por IA trabajan con bibliografía científica?

Búsquedas en lenguaje natural y extracción rápida de información

Existen muchas herramientas en este contexto, y sus enfoques son muy variados. Algunas plataformas, como Elicit, SciSpace o Consensus, permiten realizar búsquedas bibliográficas utilizando lenguaje natural, simplemente escribiendo nuestra consulta en la caja de búsqueda. Cabe destacar, además, que Elicit ha añadido recientemente Research Reports, una función que genera informes automatizados basados en revisiones rápidas de literatura. Los usuarios pueden verificar fuentes, examinar datos extraídos y formular preguntas para profundizar en la información.

Como mencionamos anteriormente, esto elimina la necesidad de invertir tiempo en la construcción de complejas búsquedas con operadores booleanos y combinaciones de términos clave, ya que las herramientas se encargan de conectar automáticamente los conceptos relevantes.

Por ejemplo, si solicitamos información sobre enfermedades cardiovasculares, las herramientas identificarán automáticamente términos relacionados, como insuficiencia cardíaca, cardiomiopatía o arritmia. De manera similar, si nos interesamos por agentes biológicos, entenderán que buscamos artículos sobre inmunoterapias o terapia génica. Seleccionarán entonces, entre sus artículos indexados, aquellos que mejor responden a nuestra pregunta de investigación, en función de sus avanzados algoritmos.

Al permitir que la IA interprete nuestras consultas y establezca conexiones entre conceptos relacionados, podemos enfocarnos más en analizar los resultados obtenidos que en ajustar manualmente las palabras clave, logrando así una búsqueda más rápida y eficiente.

Por otro lado, muchas de estas plataformas permiten extraer rápidamente la información relevante sin necesidad de leer los artículos completos. Algunas facilitan la creación de tablas con columnas personalizadas, que se rellenan automáticamente con la información solicitada, como resultados principales, metodología, diseño del estudio o número de participantes. Podemos dar instrucciones precisas sobre qué datos necesitamos y, lo mejor, es que aunque las respuestas generadas sean originales, siempre están basadas en frases concretas del artículo, señaladas por la herramienta para facilitar su verificación.

Ampliación de la colección de artículos

Otro proceso en el que estas herramientas pueden ayudar es en la expansión de nuestra colección de artículos. Herramientas como ResearchRabbit, Connected Papers o Litmaps pueden localizar trabajos similares a nuestros artículos “raíz”, estableciendo conexiones mediante mapas de nodos y flechas. No solo consideran co-citaciones, sino también la similitud semántica, lo que permite descubrir relaciones más profundas entre los estudios.

Asistentes especializados en información científica

Asimismo, herramientas como Consensus y Scite ofrecen un «Asistente», similar a ChatGPT, pero especializado en información científica. Estos pueden ayudar a redactar borradores de contenido científico, sintetizar evidencia, organizar un plan de investigación o localizar fuentes para referenciar información. Scite, además, evalúa las citaciones recibidas por los artículos, clasificándolas según si respaldan, contradicen o mencionan los resultados del artículo de interés.

Otras herramientas

Además de las herramientas ya mencionadas, existen otras, como Semantic Scholar y Dimensions, que también cuentan con sus propias bases de datos de artículos indexados. A esto se suma la búsqueda con enfoque académico de Perplexity, que, junto con su nuevo modo de Investigación Profunda (Deep Research), promete mejorar el acceso a información especializada.

Gemini también ha incorporado esta función en España, mientras que ChatGPT, por ahora, solo la ofrece en EE.UU. No obstante, se espera que pronto esté disponible en otros países.

Por otro lado, los GPTs personalizados, como Scholar GPT, SciSpace o Consensus, representan una alternativa valiosa para la exploración y el análisis especializado. Todo esto ocurre en un contexto en el que los modelos de razonamiento avanzados, como o1 y o3, están cobrando protagonismo. Gracias a estos se impulsa el desarrollo de herramientas cada vez más sofisticadas para la investigación y el acceso al conocimiento.

Conclusión

En definitiva, gracias a la Inteligencia Artificial, disponemos de una amplia variedad de recursos para gestionar la bibliografía científica de manera más eficiente. Además, el desarrollo de estas plataformas es continuo, con mejoras constantes que optimizan la localización, el análisis y la síntesis del conocimiento presente en millones de artículos científicos, facilitando el acceso a información clave en campos de investigación cada vez más saturados.

Adoptar estas herramientas tecnológicas no solo mejora nuestro trabajo con bibliografía científica, sino que también nos permite mantenernos a la vanguardia en un entorno de investigación en constante evolución.

Si quieres profundizar en estas herramientas y aprender a aplicarlas en tu trabajo diario, te invitamos a inscribirte a la 2ª edición de nuestro Curso Práctico en Herramientas de Inteligencia Artificial para Bibliografía Científica. A través de casos reales y ejercicios prácticos, descubrirás cómo utilizar la Inteligencia Artificial para optimizar la búsqueda y revisión de bibliografía científica.

Autor | Juan Francisco Márquez (Medical Information Project Manager en Meisys)

¿Quieres saber más sobre estas herramientas de IA?

La entrada Herramientas de Inteligencia Artificial para optimizar las Búsquedas Bibliográficas se publicó primero en Meisys.

En los Departamentos Médicos, la implementación de la IA está impulsando una transformación profunda en la forma en que se gestionan y utilizan los datos para la toma de decisiones, así como en la optimización de las interacciones con Profesionales de la Salud (HCPs) y otros stakeholders clave.³

Optimización en la gestión de datos

Uno de los impactos más significativos de la implementación de la inteligencia artificial en el Departamento Médico es su capacidad para procesar y analizar grandes volúmenes de datos de manera más eficiente. Gracias a la IA, las empresas pueden detectar patrones y tendencias en los datos de campo que no serían fácilmente identificables por métodos tradicionales.³

Mejora en la toma de decisiones y generación de insights

La IA es capaz de obtener y utilizar insights en tiempo real de manera accesible y relevante, lo que permite al Departamento Médico alinear eficazmente sus actividades con las necesidades de los HCPs y otros stakeholders.³

Fortalecimiento de la relación con los HCPs

La IA también está transformando la relación entre el Departamento Médico y los Profesionales de la Salud. En lugar de un enfoque tradicional de «vendedor-cliente», las interacciones se han vuelto más colaborativas y centradas en el conocimiento científico. La IA permite personalizar las interacciones y estrategias para adaptarse a las necesidades específicas de los HCPs, lo que aumenta la credibilidad y y convierte al departamento médico en un socio de confianza para los Profesionales Sanitarios.³

Transformación del rol del Departamento Médico

El uso de la IA está convirtiendo al Departamento Médico en un componente más estratégico dentro de las organizaciones farmacéuticas. El análisis de datos de múltiples fuentes y la capacidad de ofrecer información valiosa en tiempo real ha reforzado su papel en la creación de valor científico y en la definición de estrategias a largo plazo. Además, esta transformación incluye la necesidad de nuevas competencias dentro del equipo, como la gestión de datos y el dominio de tecnologías digitales avanzadas, que son esenciales para maximizar el impacto de la IA en sus funciones.³

Conclusión

La inteligencia artificial está revolucionando el Departamento Médico de las compañías farmacéuticas, permitiéndole operar de manera más eficiente y estratégica. Su impacto en la optimización de datos, la relación con los HCPs y la toma de decisiones ha fortalecido el papel de este departamento en la mejora de la salud de los pacientes y en el éxito empresarial en un entorno cada vez más competitivo y digitalizado.

Autor | Inés Mínguez (Medical Advisor en Meisys)

¿Necesitas soporte para tu Departamento Médico?

Bibliografía

1. Ramesh, D.S. (2023). The Impact of Artificial Intelligence in the Present World. Aug-Sept 2023.
2. Nayak, A., & Dutta, K. (2017). Impacts of machine learning and artificial intelligence on mankind. 2017 International Conference on Intelligent Computing and Control (I2C2), 1-3.
3. Bedenkov, A., Moreno, C., Agustin, L., Jain, N., Newman, A., Feng, L., & Kostello, G. (2021). Customer Centricity in Medical Affairs Needs Human-centric Artificial Intelligence. Pharmaceutical medicine, 35(1), 21–29. https://doi.org/10.1007/s40290-020-00378-1

La entrada ¿Cómo afecta la llegada de la IA al Departamento Médico? se publicó primero en Meisys.

En la industria farmacéutica son múltiples las áreas que se pueden potenciar con la IA. Entre ellas, podemos encontrar la búsqueda y desarrollo de fármacos, el diagnóstico especializado de enfermedades o el tratamiento individualizado². Concretamente en el departamento médico, con la revolución de las tecnologías digitales, sus funciones se han ampliado en los últimos años y cada vez es una posición más estratégica.  El Big Data, la IA, la evidencia del mundo real y la asistencia centrada en el paciente han impactado en el papel de los departamentos médicos³.

En esta área, la IA puede utilizarse para acelerar y sintetizar los conocimientos a partir de datos de la experiencia real, para optimizar los canales digitales de contenido médico o para comprender la experiencia del paciente, entre otros³.

La herramienta de moda: ChatGPT

Quizás, en este momento la herramienta más conocida es el Transformador Preentrenado Generativo de Chatbot (ChatGPT) desarrollado por OpenAI: un tipo de software de IA diseñado para simular conversaciones con humanos⁴. Se ha entrenado utilizando millones de textos de internet y ahora es capaz de procesar el lenguaje natural y generar redacciones en coherencia con el contexto¹. Este podría convertirse en una herramienta poderosa y prometedora para tareas como la generación automática de borradores, el resumen de artículos y la traducción de idiomas, que pueden ser útiles para una escritura más rápida y fácil⁴.  De hecho, Matthew Hutson afirma que ChatGPT ya puede ayudar a los investigadores médicos y científicos a escribir manuscritos, en la investigación de literatura, a resumir datos o información, o a hacer revisiones estructurales y lingüísticas⁵. Sin embargo, el uso de esta herramienta en la redacción científica plantea algunas preocupaciones éticas que deben regularse^6,7.

El uso de esta herramienta en la redacción científica plantea algunas preocupaciones éticas que deben regularse^6,7.

Matthew Hutson

En un estudio realizado por Hussam Alkaissi y Samy I McFarlane⁶, se investigó la capacidad de ChatGPT para generar redacción científica correcta pidiéndole que proporcionara breves textos sobre proyectos en los que estaba trabajando en ese momento. Fue capaz de generar un texto con un lenguaje adaptado totalmente al tema, aunque no completamente veraz, además de proporcionar referencias antiguas y falsas (con un PMID de artículos no relacionados). Cuando se le pidió que proporcionara referencias más recientes, la bibliografía fue la misma, pero cambiando los años y PMID. De manera, que proporcionó respuestas que parecían reales pero una vez que se analizaba no concordaba con el conocimiento en el área relativa. Esto se define como alucinación artificial y puede ocurrir especialmente cuando se entrenan con grandes cantidades de datos no supervisados. Incluso en otro estudio de Michele Salvagno, et al.⁴ en el que se pidió a ChatGPT que revisara un artículo y que diera su opinión sobre subirlo a una revista, este declaró que “(…) es importante tener en cuenta que siempre debe usarse en combinación con la experiencia y el juicio de expertos humanos y su resultado debe validarse antes de usarse en la práctica clínica”.

¿En qué puede ayudar ChatGPT al departamento médico?

De manera que, esta herramienta presenta muchas cualidades para implementarse en la escritura de manuscritos científicos, aunque aún genera muchas preocupaciones.  Entre los beneficios para el departamento médico se pueden encontrar:

• Ayudar en la redacción científica^4,7,8 y mejorar su calidad. Servir como apoyo a la hora de la redacción de la sección sobre los métodos utilizados en el estudio, justificar el tamaño de la muestra y describir las técnicas de análisis de datos. Además de su adaptación al formato y lenguaje, la reescritura de una oración particularmente compleja de una manera más clara, e incluso en la creación del abstract⁴.
• Revisar la literatura, identificar preguntas de investigación y proporcionar una descripción general del estado actual del campo⁴.
• Clasificar y gestionar las referencias y citas⁶.
• A futuro podría emplearse en la generación automática de figuras, tablas y otros elementos visuales del manuscrito, que pueden ayudar a resumir los datos⁴.
• Análisis eficiente de grupos de datos⁷.
• Apoyo en la educación médica⁷.

Riesgos de la IA para redactar artículos científicos

Sin embargo, el texto generado por el chatbot puede carecer de la redacción sutil y la elección de palabras que un autor humano podría usar para transmitir un cierto significado o tono⁷. Además, si el documento trata un tema que es muy específico y altamente técnico, es menos probable que un chatbot pueda generar dicho texto, ya que requeriría una comprensión profunda del tema y la capacidad de generar análisis y conclusiones científicas⁴. En una revisión sistemática de 60 artículos, el 96,7 % manifestó preocupaciones sobre su uso de en materia de cuestiones éticas (de derechos de autor, de transparencia y legales), riesgo de sesgo, plagio, falta de originalidad, contenido inexacto con riesgo de alucinaciones artificiales, conocimiento limitado, citas incorrectas, problemas de ciberseguridad, y riesgo de infodemia⁷.

En conclusión, los chatbots son herramientas que, aunque pueden ser útiles para los investigadores humanos, no deben reemplazar la experiencia, el pensamiento crítico y la personalidad de los investigadores humanos⁴.

Autor | Cecilia Jex (Medical Advisor en Meisys)

¿Necesitas ayuda para la redacción de un Artículo Científico?

Referencias

1. Khan RA, Jawaid M, Khan AR, Sajjad M. ChatGPT – Reshaping medical education and clinical management. Pak J Med Sci. 2023;39(2):605-607. 
2. Bhattamisra SK, Banerjee P, Gupta P, Mayuren J, Patra S, Candasamy M. Artificial intelligence in pharmaceutical and healthcare research. big data and cognitive computing. 2023; 7(1):10.
3. Bedenkov A, Moreno C, Agustin L, Jain N, Newman A, Feng L, Kostello G. Customer centricity in medical affairs needs human-centric artificial intelligence. Pharm Med. 2021;35:21–29.
4. Salvagno M, Taccone FS, Gerli AG. Can artificial intelligence help for scientific writing? Crit Care. 2023;27(1):75.
5. Hutson M. Could AI help you to write your next paper? Nature. 2022;611(7934):192-193.
6. Alkaissi H, McFarlane SI. Artificial Hallucinations in ChatGPT: Implications in Scientific Writing. Cureus. 2023;15(2):e35179
7. Sallam M. ChatGPT utility in healthcare education, research, and practice: systematic review on the promising perspectives and valid concerns. Healthcare (Basel). 2023 Mar 19;11(6):887.
8. Benichou L. The role of using ChatGPT AI in writing medical scientific articles. J Stomatol Oral Maxillofac Surg. 2023;24:101456.

La entrada Inteligencia Artificial para la redacción de artículos científicos se publicó primero en Meisys.