MedGraph

Los estudiantes e investigadores trabajan con decenas de PDFs: libros de texto, consensos, guías clínicas, papers, legislación. La información sobre un mismo tema está fragmentada entre múltiples fuentes — la patología en un libro, su farmacología en otro, su semiología en un tercero.

Los LLMs genéricos (ChatGPT, Claude, Gemini) pueden parecer una solución, pero presentan un problema fundamental: alucinan. Generan respuestas plausibles pero incorrectas, inventan citas bibliográficas que no existen, mezclan datos de fuentes no verificables. En medicina, una alucinación sobre una dosis farmacológica o una contraindicación puede ser peligrosa. En derecho, citar jurisprudencia inexistente puede costar un caso.

Incluso los sistemas de RAG (Retrieval-Augmented Generation) como NotebookLM reducen las alucinaciones, pero tienen una limitación estructural: tratan cada documento como una colección de fragmentos aislados. No entienden qué dice el texto, no identifican entidades, no construyen relaciones. Si la respuesta requiere conectar información de tres libros distintos, un RAG plano no puede hacerlo.

Las bases de datos convencionales almacenan información en tablas. Un RAG tradicional agrega vectores, pero sigue siendo una lista plana de fragmentos sin relación entre sí.

MedGraph usa un grafo — cada concepto es un nodo y cada relación es un vínculo tipado: