Guadalupe Plaza optimiza la transición de cuidados mediante modelos de lenguaje avanzados
La alumna del Máster en Ingeniería Informática de la ESI, Guadalupe Plaza Gómez, fue doblemente galardonada en la quinta edición de los Premios Máquina de Turing. Su Trabajo Fin de Máster (TFM), titulado «Estudio de la Experiencia del Paciente en la Transición de Cuidados mediante el uso de Modelos de Lenguaje Pre-entrenados», tutorizado por el profesor Jesús Serrano Guerrero, recibió los premios al mejor TFM en Inteligencia Artificial otorgados por las empresas Ubotica y Aturnos.
El reto de los cuidados de transición
El trabajo de Guadalupe pone el foco en los cuidados de transición: aquellos momentos críticos en los que un paciente cambia de ubicación o nivel asistencial (por ejemplo, del hospital a su hogar). Estos procesos son vitales para garantizar la continuidad del tratamiento y evitar eventos adversos como reingresos hospitalarios o insatisfacción con la atención recibida.
A pesar de que los pacientes comparten masivamente sus experiencias en plataformas como Care Opinion, los proveedores sanitarios rara vez aprovechan esta información debido a que se presenta en lenguaje no estructurado y ambiguo.
Innovación mediante Inteligencia Artificial y PLN
La investigación de Guadalupe ha consistido en aplicar técnicas de Procesamiento de Lenguaje Natural (PLN) y Aprendizaje por Transferencia para analizar masivamente más de 60.000 opiniones de pacientes. El proyecto evaluó si el uso de modelos lingüísticos avanzados superaba a los enfoques tradicionales de Aprendizaje Automático.
Para ello, implementó un sistema automatizado que:
- Identifica si una opinión trata específicamente sobre cuidados de transición mediante un modelo SVM entrenado.
- Clasifica el sentimiento de la opinión (positivo o negativo) y el área clínica (maternidad, salud mental u oncología).
- Contextualiza las quejas y aciertos mediante nubes de palabras y análisis de trigramas, permitiendo a los gestores hospitalarios identificar problemas en tiempo real.
Resultados clave
El estudio demostró que los Modelos Lingüísticos Pre-entrenados (PLM), tanto clínicos como generales, ofrecen resultados mucho más coherentes y precisos que las técnicas clásicas. Entre los hallazgos destacados:
- BioMed-RoBERTa y Clinical-Longformer fueron los más eficaces en identificar las áreas médicas.
- ULMFiT destacó como el mejor modelo para captar las sutilezas emocionales del paciente.
Como señala Guadalupe en su presentación, esta solución es reproducible y fácil de implantar en hospitales, permitiendo analizar qué áreas (como la falta de apoyo en salud mental o la satisfacción en maternidad) requieren atención inmediata.
Síntesis del Proyecto: Guadalupe Plaza
Los momentos en que un paciente cambia de nivel asistencial (ej. de hospital a hogar) son críticos y propensos a errores.
- Barrera: Los hospitales reciben miles de opiniones pero no pueden procesarlas manualmente por ser lenguaje no estructurado.
- Necesidad: Identificar deficiencias en la continuidad del cuidado médico de forma automática y precisa.
Uso de modelos de lenguaje pre-entrenados avanzados para capturar la complejidad de las narrativas clínicas.
- Modelos Clínicos: BioMed-RoBERTa y Clinical-Longformer para entender el contexto médico.
- Modelos Generales: ULMFiT para detectar con precisión el sentimiento y la emoción del paciente.
La tecnología permite a los gestores sanitarios visualizar en tiempo real qué áreas necesitan mejora inmediata.
- Resultados: Detección de satisfacción en maternidad y retos críticos en el apoyo a la salud mental comunitaria.
- Escalabilidad: Solución reproducible y adaptable a cualquier hospital o área clínica.
