Este whitepaper explora si el historial que un médico deja en un buscador clínico puede convertirse en un retrato que describa a esa persona concreta y no solo al tipo de médico al que pertenece. Cuatro agentes de modelos de lenguaje, ciegos entre sí, leyeron cada historial desde la perspectiva de un clínico, un educador, un investigador del comportamiento informacional y un escéptico, y produjeron retratos con una mediana de unos 10,700 tokens. Los retratos se probaron en 339 médicos y 34,241 búsquedas de Arkangel AI con tres evaluaciones: identificación, especialidad y generación de consultas futuras.
Al dividir cada historial en dos, el retrato de una mitad coincidió con la otra mitad del mismo médico en el 78.4 % de los casos (azar 0.3 %), pero concatenar sin más el texto crudo de las búsquedas alcanzó el 85.0 % y superó al retrato en todos los estratos de volumen. El retrato identificó la especialidad declarada en el 49.9 % de los médicos frente al 41.3 % del texto crudo, una ventaja que provino de los médicos generales, y en la generación de consultas ubicó más arriba al médico correcto en 157 casos frente a 96 (p < 0.0001), aunque la diferencia en el primer lugar no fue significativa (p = 0.17). La concordancia entre retratos de mitades distintas fue limitada (mediana de ICC 0.496 en 22 dimensiones) y una revisión posterior del código halló un solapamiento entre entrenamiento y prueba que afectó al 3.7 % del conjunto reservado. Todos los hallazgos son exploratorios; es un whitepaper sin revisión por pares.
