Un estudio reciente llevado a cabo en colaboración con la Universidad Estatal de Colorado ha proporcionado avances significativos en la automatización del proceso de codificación de diagnósticos a partir de registros médicos veterinarios. Esta investigación ha divido nuevos caminos para el uso de modelos de lenguaje de gran escala preentrenados, abriendo puertas hacia la integración de datos médicos entre humanos y animales, un avance crucial en el enfoque de salud global conocido como One Health.

La necesidad de mejorar la interoperabilidad de los registros veterinarios ha impulsado a los investigadores a implementar modelos de aprendizaje profundo para transformar notas clínicas en texto libre a códigos estandarizados de SNOMED-CT. Este protocolo estándarizado ya ha sido adoptado extensamente para el intercambio de información en los registros de salud humana y ahora se extiende a la medicina veterinaria.

A lo largo del estudio, diez modelos de lenguaje en gran parte disponibles de manera gratuita fueron probados y ajustados para procesar eficientemente 246,473 visitas de pacientes veterinarios, todas ellas con diagnósticos codificados manualmente en el Hospital de Enseñanza Veterinaria de la Universidad Estatal de Colorado. Entre los modelos evaluados, GatorTron, una colaboración entre la Universidad de Florida y NVIDIA, se destacó por su capacidad para procesar grandes cantidades de texto clínicamente adyacente y lograr resultados notables en tareas de extracción y enlace de conceptos médicos.

El análisis indicó que, aunque grandes volúmenes de datos mejoran el rendimiento del modelo, se demostró que se pueden obtener resultados comparables con recursos más limitados. Estos avances facilitan la estandarización de los registros de salud electrónicos veterinarios y promueven su integración con bases de datos sanitarias más completas que abarcan múltiples especies e instituciones.

Este entendimiento y mejora en la codificación clínica automatizada no solo provee una herramienta valiosa para la gestión de datos en contextos clínicos veterinarios, sino que también acelera el proceso de investigación en salud animal y humana, permitiendo una fusión más fluida de conjuntos de datos cruciales.

Como conclusión, estos avances reiteran la importancia de seguir desarrollando algoritmos más precisos que puedan ayudar a mejorar la calidad general de la atención médica veterinaria. El futuro de la medicina veterinaria parece cada vez más dependiente de la capacidad de integrar de manera efectiva la información digitalizada, lo cual subraya la necesidad de continuar explorando estos enfoques innovadores.