DOCTORADO EN CIENCIAS BIOMÉDICAS · 2025
Implementación del análisis estadístico en ciencias biomédicas mediante un asistente interactivo multiagente basado en modelos de lenguaje grande
El presente estudio tuvo como objetivo evaluar la implementación de un sistema multiagente interactivo basado en modelos de lenguaje grande (LLMs) para automatizar el análisis estadístico en investigaciones biomédicas, garantizando precisión, reproducibilidad y aplicabilidad práctica. Se desarrolló un asistente compuesto por siete agentes especializados —planificación, análisis, investigación contextual, generación, verificación, depuración y documentación— que colaboran de forma secuencial e iterativa con supervisión humana (Human-in-the-Loop). El diseño fue experimental in silico, utilizando datos reales y simulaciones en entorno controlado. La validación funcional se llevó a cabo mediante una escala heurística de 15 ítems aplicada por expertos sobre 30 artículos científicos, evaluando precisión técnica, claridad del código, replicabilidad y documentación. Se obtuvo una alta concordancia interevaluador (AC1 = 0.831 ± 0.075) y una puntuación promedio de 4.38 ± 0.93. Destacaron la claridad del código (4.88 ± 0.33) y la documentación generada (4.88 ± 0.33). Sin embargo, se observaron limitaciones en la identificación automática de variables (1.85 ± 0.66) y la replicación exacta de resultados (3.33 ± 0.69). En paralelo, se evaluó la aplicabilidad práctica mediante la escala System Usability Scale (SUS) aplicada a 34 usuarios, complementada con análisis semántico-emocional de sus respuestas. El puntaje mediano de usabilidad fue de 78.8 (IQR: 72.5–87.5), con predominio de emociones positivas como confianza, anticipación y satisfacción. Se concluye que el sistema multiagente mostró un desempeño funcional robusto y una buena aceptación por parte de los usuarios, posicionándose como una herramienta prometedora para fortalecer la reproducibilidad y eficiencia en el análisis estadístico aplicado a la ciencia biomédica.
Texto completo 167 páginas con texto de 172
Leer la tesis completa Ficha en el repositorio
Contenido
- Lista de figurasp. 11
- Lista de tablasp. 13
- Lista de cuadrosp. 14
- Lista de Ecuacionesp. 15
- Introducciónp. 17
- Capítulo 1: Planteamiento de la Investigaciónp. 20
- Planteamiento del Problemap. 20
- Justificación de la Investigaciónp. 22
- Objetivos de la Investigaciónp. 23
- 1.3.1 Objetivo Generalp. 23
- 1.3.2 Objetivos Específicosp. 24
- Capítulo 2: Marco Conceptualp. 19
- Aprendizaje Clásico (Classical Learning)p. 25
- 2.1.1 Aprendizaje No Supervisado (Unsupervised Learning)p. 25
- Clustering (Agrupamiento)p. 26
- Búsqueda de Patrones (Pattern Search)p. 27
- Reducción de Dimensión (Dimension Reduction - Generalización)p. 29
- 2.1.2 Aprendizaje Supervisadop. 30
- Clasificación (Classification)p. 30
- Regresión (Regression)p. 31
- Métodos de Ensamble (Ensemble Methods)p. 32
- 2.2.1 Bagging (Bootstrap Aggregating)p. 33
- 2.2.2 Boosting (Impulso)p. 33
- 2.2.3 Stacking (Apilamiento)p. 34
- 2.3.1 Perceptrones (MLP - Perceptrón Multicapa)p. 36
- 2.3.2 Autoencoders (Codificadores Automáticos)p. 37
- Seq2Seq (Secuencia a Secuencia)p. 39
- Networks)p. 41
- Redes Neuronales Recurrentes (RNN - Recurrent Neural Networks)p. 41
- LSM (Liquid State Machines)p. 43
- LSTM (Long Short-Term Memory - Memoria a Largo Corto Plazo)p. 44
- GRU (Gated Recurrent Unit - Unidad Recurrente Gated)p. 45
- Networks)p. 41
- Convolucional Profunda)p. 46
- Aprendizaje por Refuerzo (Reinforcement Learning)p. 47
- 2.4.1 Algoritmos Genéticosp. 48
- 2.4.2 Q-Learningp. 49
- Deep Q-Network (DQN)p. 50
- SARSA (State-Action-Reward-State-Action)p. 51
- A3C (Asynchronous Advantage Actor-Critic)p. 52
- Evolución de los Modelos de Lenguaje Grande (LLM)p. 53
- 2.5.1 Transformers: La Arquitectura Base de los Modelos de Lenguaje Grandep. 54
- 2.5.2 LLMs y Agentes Inteligentesp. 56
- Características y Funcionamiento Fundamental de un Agentep. 58
- Clasificación de los Agentes Inteligentesp. 58
- Inteligentesp. 59
- Automatizadop. 60
- 2.5.4 Aplicaciones de los LLMs y Agentes en la Investigación Biomédicap. 62
- Estado del Arte o Antecedentesp. 64
- Capítulo 3: Diseño Metodológicop. 67
- Tipo de Estudiop. 67
- Procedimientop. 67
- 3.2.1 Desarrollo de Agentes Especializadosp. 67
- 3.2.2 Integración del Modelo de Lenguaje Generativop. 69
- 3.2.3 Métodos de Evaluaciónp. 71
- 3.2.4 Consideraciones Éticasp. 76
- Capítulo 4: Resultadosp. 77
- Automatizadop. 77
- 4.1.1 Arquitectura General del Sistema Multi-Agentep. 77
- 4.1.2 Componentes Clave y Flujo Algorítmicop. 78
- Agente Planificador (Planner Agent)p. 79
- Agente Analizador (Analyzer Agent)p. 79
- Agente Investigador (Researcher Agent)p. 79
- Agente Codificador (Coder Agent)p. 79
- Agente Verificador (Verifier Agent)p. 79
- Agente Depurador (Debugger Agent)p. 79
- Agente Documentador (Documenter Agent)p. 79
- Gestión del Conocimiento y Bases de Datos Vectorialesp. 98
- El Rol Crítico del HITLp. 101
- Evaluación heurística de cumplimiento funcional Asistente Multiagente IAp. 102
- de Investigación Biomédicap. 107
- 4.3.1 Evaluación Cuantitativa - System Usability Scale (SUS)p. 111
- 4.3.2 Análisis Semántico-Emocional de la Percepción del Usuariop. 113
- Satisfacciónp. 112
- Valoración Global de Asistente Multiagentep. 116
- Capítulo 5: Discusionesp. 127
- Capítulo 6: Conclusiones y recomendacionesp. 135
- Conclusionesp. 135
- Recomendacionesp. 137
- Referencias Bibliográficasp. 139
- A. Anexo: Instrumento de Evaluación Heurística–Funcionalp. 153
- investigación por el Agente Investigadorp. 159
- computacional por el Agente Codificadorp. 163
- script: objetivos, funciones y estructura funcionalp. 167
- Figura 1.– Agrupamiento no supervisado con datos sintomáticos de ejemplop. 26
- estructuradop. 28
- separación de clasesp. 29
- Figura 4.– Representación del proceso de clasificación automáticap. 30
- Figura 5.– Regresiones en aprendizaje automáticop. 32
- Figura 6.– Esquema del método Bagging en aprendizaje automáticop. 33
- Figura 7.– Representación del enfoque Boostingp. 34
- Figura 8.– Proceso de Stacking en aprendizaje de ensamblep. 35
- Figura 9.– Representación esquemática de un percentronp. 37
- Figura 10.– Arquitectura de un autoencoderp. 38
- decodificador RNNp. 39
- Figura 12.– Arquitectura de una Red Generativa Antagónica (GAN)p. 40
- Figura 13.– Arquitectura de una red neuronal recurrentes (RNN)p. 42
- Figura 14.– Representación de una Liquid State Machine (LSM)p. 43
- Figura 15.– Arquitectura interna de una celda LSTMp. 44
- Figura 16.– Arquitectura interna de una unidad GRU (Gated Recurrent Unit)p. 45
- Figura 17.– Arquitectura de una Red Neuronal convolucional (CNN)p. 46
- (DCNN)p. 47
- Figura 19.– Representación de un algoritmo genéticop. 48
- Figura 20.– Ciclo de actualización del algoritmo Q-Learningp. 50
- Figura 21.– Esquema de Deep Q-Learning (DQN)p. 51
- por refuerzo – SARSAp. 52
- Figura 23.– Esquema del modelo Actor-Critic en aprendizaje por refuerzop. 53
- Figura 24.– Arquitectura del modelo Transformerp. 55
- Figura 25.– Estructura funcional de un agente inteligente basado en LLMp. 57
- de lenguaje grande (LLM)p. 61
- heurísticap. 104
- Asistente Multiagente IAp. 102
- Figura 29.- Red semántico-emocional de la dimensión «Eficacia»p. 114
- Figura 30.- Red semántico-emocional de la dimensión «Eficiencia»p. 115
- Figura 31.- Red semántico-emocional de la dimensión “Satisfacción”p. 116
- Figura 32.- Red semántico-emocional Globalp. 117
- concordancia entre evaluadores y desempeñop. 103
- Tabla 2.– Perfil de los participantes según nivel de formación académicop. 108
- formación académicap. 109
- de inteligencia artificial según nivel académicop. 110
- Tabla 5.– Resultados de la evaluación a través del System Usability Scale (SUS)p. 112
- Cuadro 1.- Punto de entrada del algoritmo principalp. 79
- Cuadro 2.- Algoritmo del Agente Planificador: Análisis y Generación de Subtareasp. 82
- Externop. 85
- Cuadro 4.- Algoritmo del Agente Investigador: Síntesis de Información Contextualp. 88
- Cuadro 5.- Algoritmo del Agente Codificador: Generación de Código y Dependenciasp. 91
- Cuadro 6.- Algoritmo del Agente Depurador: Diagnóstico y Corrección de Códigop. 93
- y Funcionalp. 98
- Cuadro 9.- Algoritmo de Q&A: Pregunta sobre documentación/códigop. 98
- Interactivo Multiagente LLM de flujo de trabajo analítico en Rp. 118
- transformaciones y flujos de análisisp. 120
- Investigadorp. 121
- Codificadorp. 68
- Documentadorp. 123
- funcionalp. 124