Cómo InpharmD usa Pinecone y RAG para mejorar la precisión de consultas clínicas en un 70 %

InpharmD es una plataforma de salud digital construida sobre una premisa simple pero ambiciosa: los profesionales de la salud merecen respuestas instantáneas y basadas en evidencia a preguntas clínicas complejas. En un entorno donde los médicos tienen poco tiempo y el volumen de literatura médica es abrumador, InpharmD buscó cerrar la brecha entre la investigación en bruto y la información farmacéutica útil. En 2021, el CTO y cofundador Tulasee Rao Chintha tomó una decisión estratégica clave: construir las capacidades de IA de InpharmD sobre tecnología de bases de datos vectoriales, una apuesta que definiría la trayectoria competitiva de la empresa en la salud digital.

El principal desafío de InpharmD era la enorme complejidad y escala de los datos médicos. La información clínica precisa y en tiempo real es esencial para la seguridad del paciente, la eficacia del tratamiento y el cumplimiento normativo. Sin embargo, buscar en la literatura médica es notoriamente lento e impreciso. Con millones de documentos, fuentes no siempre fiables y la necesidad constante de información actualizada, los profesionales de la salud perdían tiempo valioso. InpharmD necesitaba una forma de hacer que su base de conocimiento de 30 millones de documentos no solo fuera buscable, sino consultable de forma inteligente a escala y con mínima latencia.

Para resolverlo, InpharmD desarrolló Sherlock, un asistente de IA que combina modelos de lenguaje de gran tamaño, experiencia farmacéutica humana y generación aumentada por recuperación (RAG) para responder consultas clínicas sobre medicamentos. Tras evaluar múltiples opciones de bases de datos vectoriales, el equipo seleccionó Pinecone como socio de infraestructura principal. Usando Canopy, el framework RAG de código abierto de Pinecone, InpharmD procesó toda su biblioteca de PDFs médicos —extrayendo texto, fragmentando documentos e integrándolos como vectores de 1.536 dimensiones almacenados en Pinecone junto con metadatos enriquecidos. Esto le dio a Sherlock una memoria semántica a largo plazo capaz de comprender el contexto matizado de las preguntas clínicas, no solo coincidencias de palabras clave.

El flujo de trabajo de Sherlock opera en cuatro etapas: el médico envía una pregunta, Sherlock la convierte en embeddings vectoriales y realiza una búsqueda de similitud en Pinecone mediante Canopy, el sistema refina su respuesta mediante aprendizaje por refuerzo y feedback humano, y finalmente el equipo de farmacéuticos de InpharmD revisa el resultado antes de entregarlo. Este enfoque con humano en el bucle, respaldado por la recuperación de baja latencia de Pinecone a través de más de 2.000 millones de vectores, garantiza velocidad y fiabilidad clínica.

Los resultados han sido transformadores. InpharmD logró aproximadamente un 80 % de ahorro en costos de almacenamiento de datos, una reducción del 75 % en el tiempo de respuesta general y una mejora de 95 veces en el tiempo de primera respuesta. Más importante aún, la precisión de las consultas mejoró un 70 %, dando a los médicos mucha mayor confianza en la información que reciben. Con planes de escalar su índice vectorial a aproximadamente 40.000 millones de vectores, InpharmD está posicionada para seguir expandiendo su base de conocimiento médico manteniendo la velocidad y la precisión que exige la atención basada en evidencia.