Los modelos de lenguaje grandes enfrentan desafíos con las alucinaciones y el conocimiento desactualizado en aplicaciones biomédicas, lo que ha impulsado el desarrollo de métodos mejorados de generación aumentada por recuperación. Los enfoques existentes a menudo luchan con el conocimiento médico fragmentado debido a la dependencia de rutas de recuperación únicas y estrategias estáticas que dificultan el razonamiento profundo. Para abordar estas limitaciones, los investigadores introdujeron Hybrid-IR, un marco de doble vía que presenta un mecanismo iterativo de recuperación-razonamiento para la respuesta a preguntas médicas complejas. Este sistema integra la recuperación basada en grafos para explorar conocimiento estructurado junto con la recuperación densa para la coincidencia semántica fina. El modelo refina progresivamente su trayectoria de razonamiento a través de un bucle iterativo entre los pasos de recuperación y razonamiento. Los experimentos realizados en tres benchmarks ampliamente utilizados de QA médica demuestran la efectividad de este enfoque propuesto.