> ¿Existen estudios que hayan descrito el foco probable de bacteriemia por Enterococcus faecalis en pacientes que desarrollan endocarditis después de TAVI y lo hayan comparado con prótesis valvulares quirúrgicas?
Ahí empiezan los malabarismos con MeSH, sinónimos, operadores booleanos y veinte pestañas abiertas.
Undermind propone una estrategia diferente: en lugar de pedirnos que traduzcamos nuestra pregunta a palabras clave, intenta comportarse como un asistente de investigación que entiende qué estamos buscando, explora progresivamente la literatura y sigue nuevas pistas hasta encontrar los artículos relevantes. ([Undermind][1])
¿Qué es Undermind?
Undermind se define como un “AI co-researcher”, un asistente de inteligencia artificial específicamente diseñado para buscar, explorar y sintetizar literatura científica.
La diferencia frente a un buscador tradicional es importante.
En PubMed normalmente hacemos:
> Pregunta → estrategia de búsqueda → lista de artículos.
Undermind intenta hacer algo más parecido a:
> Pregunta → comprender qué estamos buscando → localizar artículos candidatos → evaluar su relevancia → seguir referencias y citaciones → buscar nuevas líneas relacionadas → volver a evaluar → construir una selección final.
La propia herramienta puede incluso hacer preguntas de aclaración antes de comenzar para entender mejor los criterios de nuestra búsqueda. ([Undermind][1])
Es decir, no busca solamente palabras.
Intenta buscar conceptos.
¿Cómo funciona?
El punto de partida es una descripción en lenguaje natural.
Podemos escribir algo como:
> Busco estudios que hayan evaluado el uso de tratamiento oral parcial en endocarditis infecciosa izquierda. Me interesan especialmente estudios que incluyan Enterococcus faecalis. Quiero conocer qué pacientes fueron considerados candidatos al cambio oral, cuándo se realizó y cuáles fueron las tasas de recaída. Excluye series de casos con menos de 10 pacientes.
Undermind utiliza esa descripción para explorar literatura potencialmente relevante y evaluar cientos de publicaciones, siguiendo además las conexiones entre ellas mediante las referencias bibliográficas. ([Undermind][2])
La búsqueda puede tardar varios minutos precisamente porque el sistema no realiza una única consulta: desarrolla progresivamente el proceso de búsqueda.
Después clasifica los artículos según su relevancia y genera explicaciones de por qué considera que cada uno responde —o no— a nuestra pregunta.
Lo realmente interesante: seguir el rastro de la literatura
Supongamos que encontramos un pequeño estudio de 2018 particularmente relevante.
Un buscador convencional nos permite revisar sus referencias o utilizar “Cited by” para buscar estudios posteriores.
Undermind intenta automatizar esa parte del proceso.
Puede detectar que ese artículo cita otro trabajo relevante, explorar esa rama, localizar estudios relacionados y continuar buscando hasta que la aparición de nuevos artículos pertinentes disminuye.
Este tipo de búsqueda resulta particularmente útil cuando la terminología ha cambiado con el tiempo o cuando diferentes grupos de investigación describen el mismo fenómeno utilizando palabras distintas.
Por ejemplo, una búsqueda sobre:
> infecciones producidas por bacterias con hipervirulencia mediada por plásmidos
podría perder trabajos que utilizan exclusivamente términos como hypermucoid, hypermucoviscous, pLVPK-like plasmid, rmpA/rmpA2 o determinados sideróforos.
Una búsqueda semántica puede intentar reconocer que todos forman parte del mismo problema científico.
Mucho más que una lista de artículos
Una vez identificada la literatura, Undermind permite continuar trabajando con ella.
Podemos:
preguntar sobre los artículos encontrados; generar tablas comparativas; extraer determinadas variables; construir informes; consultar el texto completo cuando está disponible; subir nuestros propios PDFs; rastrear las afirmaciones hasta la publicación que las sustenta; crear alertas para recibir nuevos artículos relacionados con nuestra búsqueda.
La plataforma recupera automáticamente PDFs disponibles en acceso abierto y permite incorporar manualmente aquellos documentos a los que tengamos acceso por otras vías. Su agente puede después trabajar sobre esa biblioteca completa e incluso analizar figuras de los artículos. ([Undermind][3])
Esto hace que Undermind esté a medio camino entre un buscador científico, un gestor de literatura y una herramienta de Deep Research.
¿Para qué puede ser especialmente útil en Enfermedades Infecciosas?
Probablemente no necesitemos Undermind para preguntar cuál es el tratamiento de primera línea de una bacteriemia por MSSA.
Su utilidad aparece cuando la pregunta es rara, compleja o difícil de convertir en una estrategia bibliográfica.
Por ejemplo:
> Busca estudios que hayan evaluado la epidemiología de la endocarditis después de TAVI y determina cuáles comunican específicamente el foco probable de adquisición de la bacteriemia.
---
> Encuentra casos o series que relacionen resistencia a linezolid en Staphylococcus aureus ST398 con mutaciones ribosomales o genes transferibles de resistencia.
---
> Busca estudios que hayan evaluado discordancias entre detección automatizada mediante inteligencia artificial y revisión experta en microscopía parasitológica.
---
> Identifica estudios que hayan utilizado secuenciación genómica para investigar abscesos hepáticos o renales producidos por Klebsiella pneumoniae sin los marcadores clásicos de hipervirulencia.
Este tipo de preguntas son precisamente aquellas en las que una búsqueda clásica puede requerir numerosos intentos hasta encontrar la terminología adecuada.
También sirve para saber si nuestra idea ya la tuvo alguien antes 😅
Una función particularmente útil para investigación es evaluar la novedad de una pregunta.
Antes de comenzar un proyecto podemos describir nuestra hipótesis con bastante detalle:
> Quiero estudiar si la revisión humana de imágenes clasificadas previamente mediante inteligencia artificial modifica significativamente la sensibilidad y especificidad de un sistema automatizado para diagnóstico parasitológico en muestras fecales.
Y pedir:
> Busca estudios que hayan realizado un diseño conceptualmente equivalente, aunque utilicen otros sistemas automatizados o diferentes parásitos.
Esto permite encontrar trabajos que probablemente no aparecerían buscando exclusivamente el nombre comercial de nuestro dispositivo.
Undermind propone específicamente entre sus casos de uso la identificación de lagunas de conocimiento, evaluación de novedad y exploración de campos científicos muy concretos. ([Undermind][4])
Un prompt para empezar
A diferencia de PubMed, aquí probablemente obtendremos mejores resultados cuanto mejor expliquemos qué queremos realmente encontrar.
Por ejemplo:
> Estoy investigando endocarditis infecciosa después de TAVI. > > Quiero identificar estudios originales que comparen pacientes con endocarditis sobre TAVI frente a pacientes con endocarditis sobre prótesis valvular aórtica quirúrgica. > > Me interesan especialmente trabajos que proporcionen información sobre microbiología, foco probable de la bacteriemia, Enterococcus faecalis, tratamiento quirúrgico y mortalidad. > > Incluye cohortes observacionales y estudios multicéntricos. > > No necesito revisiones narrativas salvo que permitan identificar estudios primarios adicionales. > > Busca también artículos que puedan utilizar terminología diferente para describir estas poblaciones. > > Para cada estudio encontrado explica exactamente por qué es relevante para mi pregunta.
La diferencia con una estrategia PubMed es evidente.
Estamos describiendo la pregunta científica, no enseñándole al buscador qué palabras debe localizar.
¿Es mejor que Google Scholar o PubMed?
Undermind ha publicado sus propios benchmarks y los resultados son llamativos.
En su evaluación actual sobre 23 preguntas científicas complejas, su búsqueda profunda alcanzó un 85% de recuperación de los 20 trabajos considerados más relevantes y un 75% del conjunto de publicaciones relevantes, superando en esa evaluación a agentes de búsqueda generalistas basados en modelos como GPT-5.6 y Claude Opus 5. ([Undermind][1])
La primera versión de Undermind ya había publicado anteriormente una comparación con Google Scholar en la que afirmaba encontrar aproximadamente diez veces más trabajos relevantes en determinadas búsquedas complejas. ([Undermind][5])
Pero hay que interpretar estos resultados con prudencia.
Son evaluaciones desarrolladas por la propia empresa. En el benchmark más reciente, además, el gold standard de relevancia se construye utilizando un modelo de lenguaje como evaluador de los abstracts y únicamente se analizaron 23 preguntas.
Por tanto, los datos son interesantes para entender qué intenta optimizar Undermind, pero no equivalen a una validación independiente que demuestre que recupera más literatura biomédica que PubMed en todos los escenarios.
¿Sustituye a PubMed en una revisión sistemática?
No.
Y esta diferencia es importante.
Para una revisión sistemática destinada a publicación necesitamos una estrategia explícita, reproducible y auditable:
```text ("infective endocarditis"[MeSH Terms] OR ...) AND ("transcatheter aortic valve replacement"[MeSH Terms] OR ...) ```
con bases de datos, fecha de búsqueda, criterios y estrategia completa documentados.
Una búsqueda agéntica es mucho más dinámica: la IA decide qué caminos explorar en función de los resultados que va encontrando. Eso puede ser extraordinariamente potente para descubrir literatura, pero es más difícil de reproducir exactamente.
La literatura metodológica sobre herramientas de búsqueda científica mediante IA insiste precisamente en que estos sistemas son complementarios a los motores bibliográficos tradicionales y que la cobertura puede variar entre herramientas. ([Nature][6])
Por eso utilizaría Undermind especialmente para:
exploración → descubrimiento → identificación de artículos semilla → búsqueda de literatura difícil → generación de hipótesis
y mantendría PubMed/Embase/Web of Science para la estrategia formal de una revisión sistemática.
De hecho, probablemente la combinación sea mejor que cualquiera de las dos herramientas por separado.
¿Y si encuentra un artículo que no puedo leer?
Undermind puede trabajar automáticamente con documentos disponibles en open access.
Para artículos cuyo texto completo no pueda recuperar, podemos incorporar nuestros propios PDFs a la biblioteca y permitir que el agente los analice junto con los demás documentos. ([Undermind][3])
Esto permite utilizarlo también como una especie de NotebookLM especializado en nuestra búsqueda bibliográfica.
Primero encuentra los artículos.
Después construimos una biblioteca.
Y finalmente podemos preguntar sobre el conjunto:
> Crea una tabla con población, intervención, comparador, duración del seguimiento y principales resultados de todos estos estudios.
Puede conectarse con ChatGPT y Claude
Otro detalle interesante es que Undermind ya no tiene por qué utilizarse únicamente desde su propia interfaz.
La plataforma permite conectar sus capacidades de búsqueda con agentes como Claude o ChatGPT, de modo que nuestro asistente habitual pueda utilizar Undermind como herramienta especializada para investigación científica. ([Undermind][2])
Esto representa una tendencia cada vez más importante en IA:
En lugar de buscar un único modelo que sea excelente haciendo absolutamente todo, podemos utilizar un modelo generalista y proporcionarle herramientas especializadas.
ChatGPT o Claude pueden encargarse del razonamiento y la redacción.
Undermind, de encontrar la literatura.
¿Cuánto cuesta?
Actualmente existe una modalidad gratuita, que permite realizar búsquedas profundas, generar informes y utilizar el espacio de trabajo con límites de uso estándar.
El plan Pro cuesta 16 dólares al mes si se factura anualmente e incorpora modelos más potentes, análisis más profundo de textos completos, límites aproximadamente diez veces superiores y bibliotecas y espacios de trabajo ilimitados. También existen planes para equipos y organizaciones. ([Undermind][1])
Por tanto, es perfectamente posible probar primero la herramienta gratuitamente antes de decidir si aporta suficiente valor a nuestro flujo de investigación.
Lo mejor de Undermind quizá no sea encontrar más artículos
Lo realmente interesante es que cambia nuestra interacción con la literatura.
Durante décadas hemos aprendido a adaptar nuestras preguntas al lenguaje de los buscadores.
Pensamos en MeSH.
Buscamos sinónimos.
Construimos operadores booleanos.
Repetimos la búsqueda.
Abrimos un artículo.
Miramos sus referencias.
Encontramos otro.
Consultamos quién lo ha citado.
Volvemos a empezar.
Undermind intenta invertir esa relación.
Nosotros explicamos:
> “Esto es exactamente lo que quiero saber.”
Y dejamos que la herramienta intente descubrir qué camino bibliográfico debe recorrer para encontrarlo.
No sustituye todavía a una búsqueda bibliográfica rigurosa y reproducible.
Pero para esa pregunta que llevamos veinte minutos intentando traducir a PubMed y para la que estamos convencidos de que “tiene que haber algún paper sobre esto”…
Undermind puede ser exactamente el tipo de IA que estábamos buscando. 🔎🧠
Precio: gratuito con limitaciones; Pro desde 16 $/mes con facturación anual. Web: [Undermind.ai](https://www.undermind.ai/?utm_source=chatgpt.com) Especialmente útil para: investigación, búsqueda bibliográfica compleja, scoping reviews, evaluación de novedad e identificación de literatura difícil de localizar.
[1]: https://www.undermind.ai/?utm_source=chatgpt.com "Undermind: your AI co-researcher for the literature" [2]: https://www.undermind.ai/ "Undermind: your AI co-researcher for the literature" [3]: https://app.undermind.ai/?utm_source=chatgpt.com "Undermind: your AI co-researcher for the literature" [4]: https://www.undermind.ai/?contract_id=i2sTvuZLU8&deliverable_id=9XVRDjBiT1&utm_source=chatgpt.com "Undermind: your AI co-researcher for the literature" [5]: https://www.undermind.ai/static/Undermind_whitepaper.pdf?utm_source=chatgpt.com "Benchmarking the Undermind Search Assistant" [6]: https://www.nature.com/articles/s44400-026-00126-3?utm_source=chatgpt.com "Reimagining biomedical science workflows in the age of large language models | npj Dementia"