AgentSLR: Revolucionando las Revisiones Sistemáticas de Literatura en Epidemiología con IA

Las revisiones sistemáticas de literatura son fundamentales para consolidar el conocimiento científico, pero a menudo presentan desafíos como altos costos, problemas de escalabilidad y largos plazos. Estos factores pueden obstaculizar el desarrollo de políticas basadas en evidencia. Nuestra investigación examina el potencial de los grandes modelos de lenguaje para automatizar completamente el proceso de revisión sistemática, que incluye la recuperación de artículos, la selección, la extracción de datos y la síntesis de informes. Enfocándonos en revisiones relacionadas con nueve patógenos prioritarios designados por la OMS, validamos nuestra herramienta de código abierto, AgentSLR, contra referencias elaboradas por expertos. Los hallazgos indican que AgentSLR puede igualar el rendimiento de los investigadores humanos mientras reduce drásticamente el tiempo necesario para las revisiones, de aproximadamente siete semanas a solo 20 horas, logrando un impresionante aumento de velocidad de 58 veces. También analizamos cinco modelos de vanguardia y descubrimos que la efectividad de las revisiones sistemáticas de literatura se ve influenciada más por las habilidades únicas de cada modelo que por su tamaño o costos operativos. A través de un enfoque que incluye la intervención humana, identificamos áreas críticas donde ocurren errores. Nuestro estudio destaca el potencial de la IA agentiva para mejorar significativamente la eficiencia de la síntesis de evidencia científica en campos especializados.