En este artículo, proponemos MedRAG, un modelo de generación aumentada (RAG) de recuperación, adecuado para la recuperación de historias clínicas electrónicas (HCE) con privacidad confidencial en el ámbito sanitario. Para superar las deficiencias del modelo RAG basado en heurísticas existente en cuanto a precisión y especificidad diagnósticas, construimos un grafo de conocimiento diagnóstico (KG) jerárquico de cuatro niveles que incluye importantes diferencias diagnósticas entre enfermedades, lo integramos dinámicamente con HCE similares recuperados de la base de datos de HCE y lo inferimos dentro de un modelo de lenguaje a gran escala. Esto proporciona un soporte de decisión más preciso y específico, y sugiere proactivamente preguntas de seguimiento para mejorar la toma de decisiones médicas personalizadas. Evaluamos MedRAG utilizando el conjunto de datos público DDXPlus y el conjunto de datos de diagnóstico de dolor crónico (CPDD) con privacidad confidencial, recopilados del Hospital Tan Tok Sen, y comparamos su rendimiento con los métodos RAG existentes. Al utilizar la integración de información y las capacidades relacionales de KG, demostramos que MedRAG supera a los modelos más avanzados en la reducción de las tasas de diagnósticos erróneos.
