Las dos versiones están alineadas bloque a bloque, en el orden del texto: titular, lo esencial y después párrafo a párrafo. Cuando la traducción ha fusionado o dividido un párrafo, la casilla correspondiente queda vacía — nunca emparejamos dos pasajes a ojo.
Physicians, residents and students spent about two hours reviewing each electronic health record (EHR) in a Thomas Jefferson University study. A large language model (LLM)—an artificial-intelligence system used here to read medical text—handled the same extraction task in 20 to 42 seconds; the comparison covered 411 breast and lung cancer patients.
En un estudio de la Universidad Thomas Jefferson, médicos, residentes y estudiantes dedicaron unas dos horas a revisar cada historia clínica electrónica (EHR). Un modelo de lenguaje de gran tamaño (LLM) —un sistema de inteligencia artificial utilizado aquí para leer textos médicos— realizó la misma tarea de extracción en entre 20 y 42 segundos; la comparación abarcó a 411 pacientes con cáncer de mama y de pulmón.
The target was cardiotoxicity, heart-related damage caused by cancer treatment. Breast and lung cancer patients face increased risk because the heart, lungs and breasts are close together. The damage can raise the risk of heart attacks, heart failure and other cardiac conditions, but finding evidence in patient records can require reading through hundreds of files.
El objetivo era detectar cardiotoxicidad, es decir, daños relacionados con el corazón causados por el tratamiento contra el cáncer. Los pacientes con cáncer de mama y de pulmón afrontan un riesgo mayor porque el corazón, los pulmones y las mamas están próximos entre sí. Estos daños pueden aumentar el riesgo de infartos, insuficiencia cardíaca y otras afecciones cardíacas, pero encontrar indicios en los historiales de los pacientes puede exigir revisar cientos de archivos.
The framework did more than search for a word. Its prompts looked for relevant keywords while checking for false positives, so a note saying a patient denied a disease—or that a heart attack was “ruled out”—was not counted as a cardiac event. That distinction matters in medical records, where negative findings can be phrased in many ways.
El marco hacía algo más que buscar una palabra. Sus prompts buscaban palabras clave relevantes y comprobaban al mismo tiempo si se trataba de falsos positivos, de modo que una nota que indicara que un paciente negó padecer una enfermedad —o que un infarto estaba «descartado»— no se contabilizaba como un evento cardíaco. Esa distinción es importante en los historiales médicos, donde los hallazgos negativos pueden expresarse de muchas maneras.
The researchers used open-source LLMs and reported that the framework found cardiac-event data 71% to 85.5% of the time. During initial screening, DeepSeek-R1-70b, Llama-3.3 and Mistral-Large showed the strongest balance of diagnostic accuracy and formatting adherence, so the three models moved into validation cohorts.
Los investigadores utilizaron modelos de lenguaje de gran tamaño de código abierto e informaron de que el marco encontró datos sobre eventos cardíacos entre el 71 % y el 85,5 % de las veces. Durante el cribado inicial, DeepSeek-R1-70b, Llama-3.3 y Mistral-Large mostraron el mejor equilibrio entre precisión diagnóstica y cumplimiento del formato, por lo que los tres modelos pasaron a los grupos de validación.
Concretely, for oncology research teams, the system could turn a slow first pass through patient records into a much faster way to assemble cardiotoxicity data. For patients, the hoped-for next step is to identify those more likely to develop heart complications and use that information to shape radiation treatment, potentially reducing side effects. The paper presents that as a goal, not a current clinical service: further refinement is still needed, and the reported work does not show improved patient outcomes.
En concreto, para los equipos de investigación oncológica, el sistema podría convertir la lenta primera revisión de los historiales de los pacientes en una forma mucho más rápida de recopilar datos sobre cardiotoxicidad. Para los pacientes, el siguiente paso esperado es identificar a quienes tienen más probabilidades de desarrollar complicaciones cardíacas y utilizar esa información para orientar el tratamiento con radioterapia, reduciendo potencialmente los efectos secundarios. El artículo presenta esa posibilidad como un objetivo, no como un servicio clínico disponible en la actualidad: aún se necesitan más ajustes y el trabajo presentado no demuestra una mejora de los resultados de los pacientes.