ADR-0012: Estrategia de expansión del corpus
- Estado: Accepted
- Fecha: 2026-05-25
- Responsables de la decisión: Waldemar Szemat
Contexto y planteamiento del problema
Section titled “Contexto y planteamiento del problema”El corpus de la base de conocimiento contiene 12 tarjetas KB sintéticas a través de cuatro dominios de condiciones (hipertensión, diabetes, insuficiencia cardíaca, asma). El corpus de evaluación contiene 60 casos dorados en inglés + 10 en español (es-419) + 10 en portugués (pt-BR). Ambos usan el formato JSONL, documentado en la declaración de datos del proyecto.
El objetivo de expansión del corpus pide al menos cinco nuevos dominios de condiciones. La extensión de detección fuera de dominio (ADR-0011) identifica ocho nuevas categorías de dominio (adherencia-general, estatina, inhalador, antidepresivo, cuidador, barreras-de-costo, carga-de-pastillas, alfabetización-en-salud). Cada nuevo dominio necesita tarjetas KB para la recuperación de RAG y casos de evaluación para la puntuación controlada por CI.
Todos los datos nuevos deben ser sintéticos y de dominio público. El formato JSONL existente y el arnés de evaluación deben permanecer sin cambios. Debe mantenerse la paridad de configuración regional: cada nuevo caso de evaluación debe existir en las tres configuraciones regionales (en, es-419, pt-BR).
¿Cómo expandimos los corpus de KB y de evaluación a través de ocho nuevos dominios manteniendo la consistencia de formato, la paridad de configuración regional y datos 100% sintéticos de dominio público?
Factores de la decisión
Section titled “Factores de la decisión”- Política de solo sintéticos: todos los datos deben ser sintéticos, sin datos reales de pacientes, sin fuentes propietarias.
- Fuentes de dominio público: las URL de origen de las tarjetas KB deben apuntar a fuentes de dominio público o con licencia libre (MedlinePlus, CDC, WHO). El campo de licencia de origen debe ser preciso.
- Formato JSONL existente: los formatos de tarjeta KB y de turno de evaluación están fijados por la canalización de RAG y el arnés de evaluación. Sin cambios de esquema.
- Cobertura de evaluación en 3 configuraciones regionales: cada nuevo caso de evaluación debe existir en en, es-419 y pt-BR con cobertura equivalente.
- Calidad de recuperación de RAG: 2-3 tarjetas KB por dominio deberían proporcionar suficiente superficie de recuperación para las áreas temáticas ampliadas.
- Sin modificación de las entradas existentes: las tarjetas KB y los casos de evaluación existentes son parte de la línea base confirmada. Los datos nuevos solo se añaden.
Opciones consideradas
Section titled “Opciones consideradas”- Opción A: Añadir a los archivos JSONL existentes con 2-3 tarjetas KB por dominio + 2-3 casos de evaluación por dominio por configuración regional
- Opción B: Un nuevo directorio de corpus con archivos por dominio
- Opción C: Tarjetas generadas por LLM con revisión humana
Resultado de la decisión
Section titled “Resultado de la decisión”Opción elegida: Opción A, porque mantiene la consistencia de formato con el corpus existente, no requiere cambios en la canalización de RAG ni en el arnés de evaluación, y se alinea con la metodología de datos documentada.
Se agregarán ocho nuevos dominios con tres a cuatro tarjetas de KB cada uno:
| Dominio | Descripción | Temas de ejemplo |
|---|---|---|
| adherence-general | Patrones generales de adherencia a la medicación | Construcción de rutinas, estrategias de recordatorio, formación de hábitos |
| statin | Adherencia a la medicación con estatinas | Manejo del colesterol, efectos secundarios de las estatinas, persistencia con estatinas |
| inhaler | Técnica de inhalador y adherencia | Uso de controlador vs. de alivio, técnica de espaciador, planes de acción |
| antidepressant | Adherencia a la medicación antidepresiva | Persistencia con ISRS, preocupaciones de discontinuación, barreras de estigma |
| caregiver | Apoyo a la adherencia mediado por cuidadores | Comunicación con el cuidador, manejo compartido, recordatorios de medicación |
| cost-barriers | Barreras financieras a la adherencia | Cobertura de seguro, alternativas genéricas, asistencia con copagos |
| pill-burden | Polifarmacia y fatiga de pastillas | Estrategias de simplificación, terapia combinada, carga del régimen |
| health-literacy | Alfabetización en salud y adherencia | Comprensión de etiquetas de medicación, numeración en salud, lenguaje claro |
Para los casos de evaluación, se agregarán 2-3 casos dorados por dominio por configuración regional:
| Configuración regional | Actual | Nuevos (aprox.) | Total (aprox.) |
|---|---|---|---|
| en | 60 | 16-24 | 76-84 |
| es-419 | 10 | 16-24 | 26-34 |
| pt-BR | 10 | 16-24 | 26-34 |
Todas las nuevas tarjetas KB usan fuentes de dominio público (MedlinePlus, CDC, WHO) con campos precisos de URL de origen y de licencia de origen. Todos los nuevos casos de evaluación son sintéticos, etiquetados con el dominio apropiado en sus metadatos, y diseñados para probar la recuperación y la citación contra las nuevas tarjetas KB.
Confirmación
Section titled “Confirmación”- El corpus de tarjetas KB se entrega con 38 entradas.
- El corpus de evaluación en inglés crece en 16-24 entradas.
- El corpus de evaluación en español crece en 16-24 entradas.
- El corpus de evaluación en portugués crece en 16-24 entradas.
- Todas las nuevas entradas usan el esquema JSONL existente (sin cambios de formato).
- Los conteos de corpus de la declaración de datos se actualizan para reflejar la expansión.
- La canalización de RAG y el arnés de evaluación leen los archivos ampliados sin cambios de código.
Consecuencias
Section titled “Consecuencias”Positivas
Section titled “Positivas”- Cobertura de RAG más amplia a través de ocho nuevos dominios de adherencia a la medicación, mejorando la relevancia de la recuperación para la entrada de formato libre.
- La expansión del corpus de evaluación aumenta la cobertura controlada por CI de las nuevas áreas de dominio.
- Consistencia de formato: sin cambios en el esquema JSONL, en la canalización de RAG ni en el arnés de evaluación.
- Paridad de configuración regional mantenida: cada dominio tiene casos de evaluación en las tres configuraciones regionales.
- Todos los datos nuevos son sintéticos y de dominio público.
Negativas
Section titled “Negativas”- El corpus de KB, con 38 tarjetas, puede aumentar ligeramente la latencia de recuperación de Chroma. Aceptable a la escala de la demo.
- Generar 16-24 casos de evaluación por configuración regional es laborioso. La calidad debe verificarse manualmente antes de confirmar.
- Algunos nuevos dominios (p. ej., “adherencia-general”) se solapan conceptualmente con tarjetas cruzadas de dominio existentes. La deduplicación requiere una revisión cuidadosa.
- Los conteos de la declaración de datos deben actualizarse cada vez que el corpus cambia, agregando un paso de mantenimiento de documentación.
Neutrales
Section titled “Neutrales”- Los nuevos ID de tarjeta KB usan prefijos específicos de dominio (p. ej.,
card-statin-*,card-inhaler-*) para claridad y verificación de deduplicación. - Los nuevos ID de caso de evaluación usan prefijos de dominio (p. ej.,
golden-statin-*) consistentes con la nomenclatura existente. - El arnés de evaluación ya analiza JSONL dinámicamente, por lo que no se necesitan cambios de código para soportar el corpus ampliado.
Ventajas y desventajas de las opciones
Section titled “Ventajas y desventajas de las opciones”Opción A: Añadir a los archivos JSONL existentes (elegida)
Section titled “Opción A: Añadir a los archivos JSONL existentes (elegida)”- Buena, porque sin cambio de formato no hay modificaciones a la canalización de RAG ni al arnés de evaluación.
- Buena, porque la metodología de datos existente y el esquema JSONL siguen siendo autoritativos.
- Buena, porque añadir es más simple que crear una nueva estructura de directorios.
- Buena, porque el arnés de evaluación ya lee el archivo JSONL completo; las nuevas entradas se recogen automáticamente.
- Mala, porque un único archivo JSONL grande es más difícil de explorar que archivos por dominio.
- Mala, porque la verificación de deduplicación requiere escanear el archivo completo.
Opción B: Un nuevo directorio de corpus con archivos por dominio
Section titled “Opción B: Un nuevo directorio de corpus con archivos por dominio”- Buena, porque los archivos por dominio son más fáciles de explorar y mantener.
- Buena, porque la verificación de deduplicación se acota al archivo del dominio.
- Mala, porque requiere cambiar la canalización de RAG y el arnés de evaluación para leer desde múltiples archivos.
- Mala, porque introduce una nueva estructura de directorios que no está en la metodología de datos.
- Mala, porque rompe la convención establecida de archivo único sin una razón convincente.
Opción C: Tarjetas generadas por LLM con revisión humana
Section titled “Opción C: Tarjetas generadas por LLM con revisión humana”- Buena, porque la generación por LLM acelera la creación de tarjetas.
- Mala, porque el contenido médico generado por LLM requiere una revisión cuidadosa para evitar afirmaciones alucinadas.
- Mala, porque las URL de origen y los campos de licencia todavía deben verificarse manualmente.
- Mala, porque introduce una canalización de generación que actualmente no existe.
- Mala, porque los datos sintéticos deben ser demostrablemente de dominio público, lo que es más difícil de verificar para texto generado por LLM.
Más información
Section titled “Más información”- Detección fuera de dominio (ADR complementario): ADR-0011
- Stack de RAG: ADR-0004
- Política de datos: un corpus de solo sintéticos, sin conjuntos de datos restringidos por un acuerdo de uso de datos.
- MADR 4.0.0: https://adr.github.io/madr/