En la oncología radiológica, la atención al paciente se extiende a lo largo de varias etapas, desde la valoración inicial hasta el seguimiento post‑tratamiento. Cada una de estas fases depende de herramientas de software especializadas, protocolos clínicos y formatos de datos diferentes, lo que genera una fragmentación que dificulta la continuidad asistencial. A medida que la inteligencia artificial mejora tareas específicas, como la segmentación de tumores o la planificación de dosis, la falta de una arquitectura que los conecte impide aprovechar al máximo el potencial de la IA en el cuidado integral.
RadOnc-Agent, presentado en un estudio reciente de ArXiv, propone un marco agente basado en un modelo de lenguaje grande que formaliza la radioterapia en cuatro fases clínicas y expone 26 funciones ejecutables mediante una interfaz conversacional. Un controlador de LLM interpreta la intención del profesional, genera llamadas con parámetros sujetos a esquemas y preserva el contexto del paciente y del flujo de trabajo, delegando a servicios especializados. Esta arquitectura permite que, a partir de una solicitud verbal o escrita, el agente seleccione y ejecute la función adecuada sin que el clínico tenga que cambiar de aplicación.
Los autores evaluaron el sistema con tres conjuntos de pruebas: 2.600 solicitudes de función única (7.800 ejecuciones repetidas), 200 escenarios sintéticos que abarcan las cuatro fases (600 ejecuciones) y 120 flujos de trabajo reales derivados de 60 historias clínicas desidentificadas (360 ejecuciones limpias). En las pruebas de función única, el agente seleccionó la llamada correcta en el 98,79 % de los casos; completó el 96,50 % de los escenarios predefinidos y el 96,67 % de los flujos de trabajo con pacientes. Las pruebas de ablation mostraron que la eliminación del estado longitudinal redujo la finalización de escenarios cruzados a 84,00 % y la ausencia de validación de esquema e identidad provocó un 95,28 % de despachos erróneos en un replay de prueba.
Estos resultados confirman la viabilidad técnica de una arquitectura basada en LLM para orquestar capacidades heterogéneas a lo largo de un proceso longitudinal. La alta precisión en la selección de funciones y la robustez frente a la pérdida de contexto indican que el agente puede servir como columna vertebral de una plataforma de radioterapia integrada, reduciendo la necesidad de múltiples interfaces y minimizando errores de transferencia de datos. No obstante, el estudio aclara que la ejecución correcta no implica eficacia clínica ni beneficio para el paciente; la validación prospectiva y los ensayos de usabilidad siguen siendo esenciales.
Para los profesionales hispanohablantes de tecnología, RadOnc-Agent representa una hoja de ruta práctica para integrar IA en flujos de trabajo médicos complejos. La disponibilidad de una API conversacional basada en estándares de esquema y la preservación del contexto del paciente facilitan su adopción dentro de sistemas de historia clínica electrónica existentes, siempre que se cumplan requisitos de interoperabilidad y privacidad. Además, la necesidad de validar el agente en entornos reales, con supervisión clínica, abre la puerta a colaboraciones entre investigadores de IA, oncólogos y desarrolladores de software de salud.
En conclusión, RadOnc-Agent demuestra que un modelo de lenguaje grande puede orquestar de forma fiable múltiples servicios especializados a lo largo de las cuatro fases del tratamiento oncológico, alcanzando tasas de éxito superiores al 96 % en pruebas controladas. Sin embargo, la transición de la promesa tecnológica a una herramienta clínica aceptada requiere pruebas de utilidad real, evaluaciones de impacto en la calidad de vida del paciente y cumplimiento de normativas regulatorias. El estudio subraya una tendencia creciente: la IA agente está emergiendo como solución para coordinar flujos de trabajo complejos más allá de la radioterapia, abriendo nuevas oportunidades para la atención personalizada y la eficiencia operativa en la medicina de precisión.
