DESARROLLO DE UN CHATBOT PARA EL ANÁLISIS DE LA RESISTENCIA ANTIMICROBIANA MEDIANTE INTELIGENCIA ARTIFICIAL GENERATIVA CON LLMS Y RAG

Abstract

La resistencia antimicrobiana (AMR) representa una amenaza creciente para la salud pública global. Frente a la necesidad de acceder rápidamente a información científica relevante, este Trabajo Fin de Grado propone una solución basada en Inteligencia Artificial (IA), que aplica el patrón Retrieval-Augmented Generation (RAG) para facilitar la consulta automatizada de literatura científica mediante un chatbot especializado. El objetivo principal es desarrollar una herramienta robusta, escalable y precisa que permita a profesionales del ámbito sanitario e investigadores acceder de forma natural a un repositorio especializado sobre resistencia antimicrobiana. Se pretende acelerar la búsqueda, análisis y comprensión de información científica crítica. La solución se compone de cuatro módulos: Descarga de datos: Recolección automática de artículos desde Google Scholar. Indexación: Procesamiento y transformación de documentos en embeddings semánticos usando modelos de OpenAI, LlamaIndex y ChromaDB. Chatbot: Interfaz en Streamlit que permite consultas a un modelo GPT-4o-mini, enriquecido con información relevante. También admite carga manual de documentos. Evaluación: Medición automática de calidad de respuestas según métricas de fidelidad, relevancia y exactitud. Se diseñaron experimentos ajustando el parámetro de la Temperatura del modelo LLM y prompts. Las evaluaciones automáticas, basadas en un conjunto de datos de referencia o ground truth que representan preguntas obtenidas de los papers con la respuesta esperada asociada, muestran un desempeño sobresaliente: más del 90%en la métrica clave de exactitud de respuesta, validando la fiabilidad del sistema. Además, la herramienta desarrollada permite transformar grandes volúmenes de documentación científica en conocimiento accesible y útil, demostrando su eficacia como asistente inteligente para la investigación científica en el ámbito de la resistencia antimicrobiana. Su diseño modular facilita la adaptación a otros campos científicos. A futuro se pretende la ampliación del corpus documental y automatización de la descarga; la inclusión de datos no estructurados (ejemplo: redes sociales); la experimentación con modelos open-source; e incorporación de arquitecturas multi-agente para mayor especialización.