RevAI X, un proyecto de innovación para agilizar la revisión científica con IA

Cada año se publican millones de artículos científicos. En 2018 fueron cerca de 4,18 millones; cuatro años después, la cifra ya superaba los 5,14 millones. Para quien tiene que revisar esa literatura de forma rigurosa -investigadores, equipos clínicos, departamentos de I+D- el problema ya no es encontrar información. Es procesarla sin perder fiabilidad por el camino.

Ese es exactamente el problema que RevAI X se propuso resolver. Y en poco más de un año, el proyecto ha recorrido un camino remarcable: de la idea sobre el papel a una herramienta que hoy revisa literatura científica de principio a fin, dentro de un espacio de datos europeo real.

Esta es la historia de cómo ha ocurrido.

El problema que ni más horas ni más gente podían resolver

Según el registro internacional PROSPERO*, completar una revisión sistemática de literatura -el proceso reglado con el que se recopila y analiza toda la evidencia publicada sobre una pregunta clínica concreta- lleva de media unas 67 semanas de trabajo. Más de un año de dedicación para responder a una sola pregunta de investigación.

El problema no es solo el tiempo. Es que ese tiempo se dedica, en su mayor parte, a una tarea repetitiva y agotadora -leer, clasificar, descartar, volver a leer- que no debería competir con lo que de verdad aporta valor: interpretar la evidencia y decidir mejor.

RevAI X nace con un objetivo concreto: reducir esa carga de forma drástica, hasta un 90% menos de tiempo según las estimaciones del proyecto, sin sacrificar precisión ni trazabilidad. Menos meses revisando, más tiempo investigando.

Una IA que no inventa: así funciona por dentro

El primer reto no era técnico, era de confianza. Cualquier herramienta de inteligencia artificial que ayude a tomar decisiones clínicas tiene que poder demostrar de dónde sale cada respuesta. Y ahí es donde muchas soluciones basadas únicamente en grandes modelos de lenguaje -los sistemas que generan texto al estilo de un chatbot- se quedan cortas: pueden sonar convincentes y, aun así, equivocarse sin que nadie lo note.

RevAI X resuelve ese problema especializando directamente el modelo de inteligencia artificial en el dominio biomédico mediante fine-tuning: en lugar de añadir capas de búsqueda externa o estructuras de datos adicionales, el modelo aprende a extraer información estructurada directamente del texto científico.

El motor de RevAI X es Gemma 4, un modelo de lenguaje open source sobre el que se ha aplicado fine-tuning con literatura científica biomédica utilizando la técnica QLoRA (Low-Rank Adaptation cuantizada a 4 bits). El resultado es un modelo especializado que extrae información estructurada según el esquema PICO -Population, Intervention, Comparison, Outcomes- de forma consistente, independientemente del idioma, la longitud o el estilo de redacción del paper. La elección de un modelo open source no es casual: garantiza soberanía tecnológica y elimina cualquier dependencia de APIs propietarias de terceros.

Esa especialización es lo que garantiza la trazabilidad: el modelo produce un output estructurado y predecible -validado además contra la terminología MeSH de la National Library of Medicine- donde cada campo tiene su origen directo en el paper analizado.

El conector: el paso del laboratorio al mundo real

Tener un motor que analiza bien la literatura no sirve de mucho si esa herramienta no puede conectarse con el resto del ecosistema de datos. Una IA brillante puertas adentro, pero aislada, se queda en una demo. Por eso el siguiente hito de RevAI X no fue una mejora del modelo, sino una pieza de conexión: el conector.

El conector es lo que permite a RevAI X unirse a un espacio de datos federado -un entorno donde distintas organizaciones comparten información de forma segura sin necesidad de centralizarla-, actuando a la vez como proveedor y como consumidor de datos. Está registrado mediante credenciales verificables conformes a Gaia-X, el marco europeo de referencia para espacios de datos soberanos, y valida cada intercambio según las políticas de uso definidas. En la práctica, esto significa que el control sobre cada dato permanece siempre en manos de quien lo posee.

Con el conector operativo, todos los componentes desarrollados hasta entonces empezaron a funcionar de principio a fin: ingesta de literatura científica, normalización con terminología médica estandarizada -ontologías como MeSH y SNOMED, que evitan ambigüedades entre términos clínicos- y análisis mediante el modelo de IA especializado en literatura biomédica.

RevAI X se suma a un ecosistema real: DataXhare

Con el conector construido, quedaba un paso más: integrarse de verdad en un espacio de datos en funcionamiento. Ese paso llegó cuando RevAI X se incorporó a DataXhare, un espacio de datos multisectorial, basado en los principios de Gaia-X e IDSA y aprobado dentro del Programa de Espacios de Datos Sectoriales.

Lo interesante de este paso no es solo técnico, sino de contexto: dentro de DataXhare, RevAI X convive con casos de uso de sectores muy distintos entre sí -gestión del agua, gestión de datos de hostelería, patrones de consumo-, todos bajo un mismo entorno de confianza. Esa convivencia entre sectores tan dispares es precisamente lo que aporta valor a un espacio de datos: gobernanza y trazabilidad compartidas, que dan confianza a todos los actores del ecosistema, sea cual sea su sector.

La integración se apoya, de nuevo, en credenciales verificables y políticas de uso que garantizan que cada participante mantiene el control sobre su propia información, en línea con Gaia-X y el RGPD.

De la promesa a la práctica: la revisión funcionando de extremo a extremo

Durante meses, cada avance de RevAI X se explicaba en términos de lo que la herramienta haría. Hoy se puede decir algo distinto: ya no es una promesa, es una realidad en marcha. La solución funciona de principio a fin, realizando revisiones sistemáticas de literatura sobre el espacio de datos.

El recorrido completo ya no tiene saltos: la literatura científica entra en el sistema, se normaliza y se estructura, y el modelo especializado la analiza y devuelve resultados a través de una interfaz de consulta. Cada resultado, de nuevo, trazable hasta su fuente original.

Para quien investiga, el efecto es directo: semanas de revisión manual se reducen drásticamente -hasta un 90%, según las estimaciones del proyecto- sin renunciar a la precisión ni a la trazabilidad que exige la investigación clínica. RevAI X no sustituye a quien investiga; le devuelve tiempo y le aporta evidencia estructurada para decidir mejor.

El camino recorrido -de la idea a un motor verificable, de un motor aislado a un conector operativo, y de ahí a un ecosistema real en funcionamiento- es la prueba de que la investigación puede acelerarse sin renunciar al rigor que la hace valiosa.

La investigación continúa. RevAI X, revisa