Por Luis Eduardo Pinto, médico y docente de la Universidad Von Humboldt de Armenia, miembro de AIpocrates.

Figura 1. Flujo de trabajo para diseñar estrategias de búsqueda avanzada de literatura (EBAL) con ayuda de ChatGPT. 

Introducción: el problema

Para seguir aprendiendo, enseñando, preparando evaluaciones, investigando y tomando decisiones en medicina, es necesario buscar en la literatura médica de manera efectiva y eficiente. Al principio, los docentes muestrean pedagógicamente el material que los estudiantes deben leer, analizar y estudiar, pero, se ha observado que los estudiantes y profesores podrían carecer de las destrezas básicas para encontrar la mejor literatura para explorar un tema o resolver un problema (1).

Técnicas como «Googlear» o insertar palabras en cajas de búsqueda no son confiables en términos de información científica específica. Existen métodos para la búsqueda sistemática literatura científica en bases de datos, pero, salvo expertos, pocas personas pueden retener las habilidades necesarias y desarrollar así una mecánica consistente para aplicarlos.

El auge de herramientas impulsadas por grandes modelos de lenguaje (GML) como el Chat Generative Pre-trained Transformer (ChatGPT) (2) promete superar estas dificultades y servir en diferentes etapas del proceso de búsqueda y revisión de la literatura.

Nuestro propósito es mostrarle al lector cómo gestionar su propio conocimiento, es decir, desarrollar su autonomía y promover una metodología que les permita desarrollar destrezas en apreciación crítica de la literatura, la cual incluye: razonamiento estadístico y pensamiento reflexivo. Sin embargo, la primera competencia es la búsqueda de literatura científica apropiada.

Esta se puede alcanzar aprovechando las funcionalidades de una herramienta de inteligencia artificial generativa como GPT con una interfaz de fácil uso como un Chat para que apoye la búsqueda inteligente de literatura médica en bases de datos científicas (ejemplo: Pubmed).

Aunque utilizaremos como ejemplo la consolidación de una base de conocimiento para escribir las secciones de introducción y discusión de un reporte de caso clínico, las estrategias son aplicables a otros fines como la elaboración de revisiones narrativas y material educativo. Advertimos que las estrategias que presentamos son insuficientes para efectuar una revisión «sistemática» la literatura, que será tema de otro momento. Sin embargo, esta entrega sí se inspira en un estudio reciente que explora el potencial de ChatGPT para diseñar estrategias de búsqueda de literatura para revisiones sistemáticas (3).

La estrategia: Combine su inteligencia + IA + bases de datos

El flujo de trabajo

Para diseñar las estrategias de búsqueda de literatura para revisiones sistemáticas siga el flujo de trabajo indicado arriba en la figura 1, el cual detallamos a continuación.

Metodología

Como vamos a utilizar ChatGPT (3.5 o 4.0) (2), le pedimos al lector que en https://chat.openai.com abra una conversación (New Chat); si no tiene una cuenta, que se registre gratis y la inicie.

Diseñe el prompt para que, a través de la conversación ChatGPT, construya una EBAL, (4) una combinación de términos MeSH (Medical Subject Headings) y conectores booleanos (AND, OR y NOT) que permiten la búsqueda de los artículos que podrían responder la pregunta del consultante en https://pubmed.ncbi.nlm.nih.gov/advanced/ . En la query box (caja de consultas booleanas) copiamos la EBAL generada por ChatGPT.

El siguiente es un ejemplo de una consulta booleana para obtener artículos de Pubmed que hablen del tratamiento para la acalasia:

(«achalasia»[MeSH Terms] OR «achalasia»[All Fields] OR «cardiospasm»[All Fields])

AND («treatment»[MeSH Terms] OR «treatment»[All Fields] OR «therapeutics»[MeSH Terms] OR «therapeutics»[All Fields] OR «management»[All Fields])

En términos simples, esta EBAL tiene dos partes, la primera es la enfermedad (acalasia) y la segunda es el tema respecto a la enfermedad (tratamiento).

• La primera parte agrupa sinónimos de “acalasia” mediante el conector OR que significa que es válido recuperar un artículo que incluya cualquiera de los términos. 
• La segunda parte agrupa sinónimos de “treatment” mediante el conector OR que significa que es válido recuperar un artículo que incluya “therapeutics” o “management”. 
• Ambas partes se unen mediante el conector AND que significa que sólo es válido recuperar un artículo que incluya las dos partes y no meramente una de ellas.

Podría diseñarse un EBAL aún más avanzado que la formulación anterior, si se adiciona el tipo de estudio (OR “términos sinónimos”) mediante el conector AND. También se podrían imponer restricciones mediante el uso del conector NOT, y de este modo, se excluirían artículos de los tipos especificados por el usuario. El usuario puede ensayar y descubrir estrategias adicionales.

Pocas personas dominan el diseño de EBAL por lo que es bienvenida la ayuda de la IA y aunque el resultado no será perfecto, el usuario puede verificar el salto de calidad comparándola con estrategias más usuales. También es recomendable que, una vez ingresada la consulta, el usuario aplique otros filtros que estrechen aún más los resultados, como la fecha de publicación o el tipo de estudio.

El diseño de los Prompts

Para lograr que ChatGPT nos diseñe los EBAL, necesitamos instruirlo con un prompt que conserve la estructura estándar: Actuación + Contexto + Tarea + Formato de la respuesta. Para este ejercicio, se han introducido solo ligeras modificaciones al esquema de prompts utilizados en (3) para adaptarlos a necesidades de consulta más amplias que las investigadas en tal estudio pero de menor rigor.  

El primer prompt genérico aplica a todos los temas exceptuando «Therapy». En el prompt se deben incluir los términos del tema (v.g: Aetiology, Prognosis, etc) – dependiendo de la necesidad de investigación – y de la enfermedad (Disease) en los espacios correspondientes.

Los temas a tratar en la introducción y la discusión incluyen, predominantemente:

• Epidemiology (epidemiología)
• Aetiology (etiología)
• Pathophysiology (fisiopatología)
• Clinical presentation (presentación clínica)
• Differential diagnosis (diagnóstico diferencial)
• Diagnostic tests (pruebas diagnósticas)
• Prognosis (pronóstico)
• Therapy (tratamiento)

Prompt genérico 1

Actuación: Eres un especialista en información que desarrolla consultas booleanas para obtener artículos de investigación primaria y revisiones sistemáticas en bases de datos de literatura médica. Contexto: Debes realizar una investigación sobre {Enfermedad}. Tareas: Desarrolla una consulta booleana para recuperar el menor número posible de documentos irrelevantes y recuperar todos los documentos relevantes para tu necesidad de información. La necesidad de información es realizar una investigación sobre «{revisión sobre {Etiología / Fisiopatología / Presentación clínica / Diagnóstico diferencial / Pronóstico} de {Enfermedad}}». Construye una consulta booleana altamente efectiva que pueda servir mejor a su necesidad de información. Formato: Presenta la consulta en inglés y lista para «pegarla y copiarla» en un cuadro de búsqueda avanzada en la base de datos Pubmed.

Este fue uno de los resultados de promptear ChatGPT para obtener artículos acerca del pronóstico del trastorno bipolar:

(«Bipolar Disorder»[Mesh] OR «Bipolar Disorder»[Title/Abstract] OR «manic-depressive illness»[Title/Abstract] OR «manic depression»[Title/Abstract]) AND («Prognosis»[Mesh] OR «Prognosis»[Title/Abstract] OR «Outcome Assessment (Health Care)»[Mesh] OR «Course of Illness»[Title/Abstract] OR «Long-term Outcome»[Title/Abstract] OR «Predictors»[Title/Abstract] OR «Natural History»[Title/Abstract] OR «Disease Progression»[Title/Abstract]) AND («Review»[Publication Type] OR «Systematic Review»[Publication Type]) 

El segundo prompt genérico aplica solamente a «Therapy» y en él se debe incluir el término de la enfermedad (Disease) en el espacio correspondiente.

Prompt genérico 2

Actuación: Eres un especialista en información que desarrolla consultas booleanas para obtener artículos de ensayos clínicos, revisiones sistemáticas, y revisiones sistemáticas y metanálisis. Tienes una amplia experiencia en el desarrollo de consultas booleanas muy eficaces en bases de datos de literatura médica.  Contexto: Debes realizar una investigación sobre el tratamiento de {Enfermedad}. PICO significa Paciente/Problema, Intervención, Comparación y Resultado. PICO es un formato para desarrollar una buena pregunta de investigación clínica antes de comenzar la propia investigación. PICO es una nemotecnia utilizada para describir los cuatro elementos de una buena pregunta clínica de primera línea. Ahora ya tienes la información que necesitas para llevar a cabo una investigación sobre «{revisión_tratamiento de la {{enfermedad}». Tareas: Primero, desarrollarás consultas booleanas que recuperen el menor número posible de documentos irrelevantes y recuperen todos los documentos relevantes para tu necesidad de información. Luego, extraerás los elementos PICO de tus necesidades de información y Finalmente, construirás la consulta booleana altamente efectiva que pueda servir mejor a tu necesidad de información. Formato: Presenta la consulta en inglés, lista para «pegar y copiar» en un cuadro de búsqueda avanzada en la base de datos Pubmed.

En la figura 2 mostramos parte del resultado de aplicar esta EBA en Pubmed. Es conveniente ver el ejercicio como un proyecto dividido en etapas y seguirlas en un orden lógico.

Figura 2. Parte del resultado de aplicar la EBA generada por ChatGPT en Pubmed. Se recomienda al usuario seleccionar filtros para especificar aún más sus búsquedas.

De la búsqueda a la escritura

La introducción y la discusión

La escritura de la introducción y la discusión en un artículo clínico deben soportarse en una revisión sólida y actualizada del conocimiento científico relevante. La introducción suele incluir información acerca de la definición de la condición, su importancia epidemiológica, los costos de su cuidado y otros aspectos de interés. La discusión inicia con una síntesis sucinta del tema o del caso clínico, sigue con una ampliación de la información proporcionada en la introducción y contrasta los datos con la información obtenida de la revisión de la literatura.

En el ejemplo de un reporte de caso clínico, éste se contrasta con el abordaje diagnóstico y terapéutico recomendado por guías de práctica clínica o el sugerido tras apreciar críticamente estudios relevantes. Esto permite identificar fortalezas y limitaciones, revelar brechas de diversa índole sobre las cuales los autores se pronuncian propositivamente a manera de conclusiones.

Discusión y conclusiones

ChatGPT no exime al usuario de su deber de referenciar, editar, parafrasear, resumir, organizar y articular sus textos, aunque las aplicaciones basadas en GML como ChatGPT pueden ofrecerle ayuda valiosa. Se recomienda que el usuario revele explícitamente el uso de estas herramientas al describir o referirse a los métodos en sus informes de investigación.

Es importante destacar que ChatGPT no se clasifica como una «fuente de conocimiento» durante la elaboración de EBAL, aunque se apoye en su base de conocimientos de entrenamiento. Esto contribuye a reducir los riesgos asociados con la generación automática de contenido. Se sugiere que en los reportes de investigación se clarifique su papel específico; por ejemplo:

«ChatGPT (11) fue utilizado para la generación de estrategias de búsqueda avanzada en Pubmed para obtener algunos de los artículos utilizados en este reporte (6, 7, 8, 9, 15), pero no fue empleado como fuente directa de referencias bibliográficas.»

Para terminar…

ChatGPT revoluciona la construcción de EBAL en bases de datos científicas, ofrece una alternativa sólida al «Googleo» común, transformando la aproximación a la revisión de literatura en investigaciones y consultas profesionales, al proporcionar literatura relevante para respaldar las secciones de introducción y discusión en reportes, revisiones narrativas o material educativo.

Esta mejora en los procesos de investigación tiene el potencial de acelerar la obtención de información relevante y, aunque no sustituye por completo el desarrollo de revisiones sistemáticas de literatura, representa una solución tangible para abordar un problema difícil hasta ahora. Es esencial destacar que, incluso con el apoyo de ChatGPT, el usuario debe revisar críticamente los artículos, contrastar hallazgos y contextualizarlos en su propia investigación.

Por otra parte, cabe resaltar que, aunque la creatividad del modelo puede dar lugar a EBA ineficaces o ineficientes, se pueden refrescar las respuestas o refinar los prompts para obtener una mejor EBAL. Estas estrategias no reemplazan la necesidad de un entrenamiento sólido en búsqueda avanzada en bases de datos como Pubmed; más bien, pueden despertar la curiosidad de los usuarios por la sintaxis booleana, los modelos de lenguaje y su potencial de ayuda a la investigación.

Por último, ChatGPT no es la única herramienta para obtener artículos para revisar. Otras herramientas impulsadas por IA, como Litmaps AI (5), pueden utilizar un artículo como «semilla» para enlazar a estudios adicionales no recuperados inicialmente con la EBAL. Otras aplicaciones convierten una pregunta científica y recuperan los artículos relevantes aplicando EBAL que las mismas generan, presentan los abstracts de los artículos, y resaltan en ellos los elementos de la nemotecnia PICO (6). La clave no está en depender exclusivamente de una herramienta inteligente, sino en combinar diversas herramientas para alcanzar objetivos específicos y optimizar el proceso de investigación.

Recordar:

“Lo perfecto es enemigo de lo bueno”

Voltaire

Nota: ChatGPT fue utilizado para la generación de EBA para Pubmed pero no fue utilizada como fuente directa de referencias bibliográficas para la elaboración de este escrito.

Agradecimientos: Al Doctor Andrés Rico, CEO de AIpocrates, por sus valiosos aportes a la revisión de este manuscrito.

Referencias

1. Wood, S., Paulis, J. & Chen, A. Emergency physicians’ perceptions of critical appraisal skills: a qualitative study. BMC Med Educ 22, 287 (2022). 
2. https://chat.openai.com
3. Wang, Shuai, et al. «Can ChatGPT write a good boolean query for systematic review literature search?.» arXiv preprint arXiv:2302.03495 (2023).
4. https://pubmed.ncbi.nlm.nih.gov/
5. https://www.litmaps.com/
6. https://evidencehunt.com/