Detección automática de eventos adversos hospitalarios en notas clínicas mediante Procesamiento de Lenguaje Natural
Publicado: 18 Ago 2026, 14:09
Título:
Detección automática de eventos adversos hospitalarios en notas clínicas mediante Procesamiento de Lenguaje Natural.
Autor:
Carlos Pérez Pérez
Maestría en Ciencias con mención en Inteligencia Artificial, Facultad de Ingeniería Industrial y de Sistemas, Universidad Nacional de Ingeniería, Lima, Perú
Curso: MIA-10 Procesamiento del Lenguaje Natural
Docente: Dr. Wester Zela Moraya
Resumen:
La notificación de eventos adversos en una institución peruana de salud depende de un proceso manual y voluntario con un subregistro estimado cercano al 72 %. Este trabajo evalúa un canal de Procesamiento de Lenguaje Natural que detecta eventos adversos en resúmenes de alta y los clasifica según la taxonomía del Anexo 02 de la directiva institucional de 2021, sobre 70,000 epicrisis de MIMIC-IV. El aporte central no es una métrica sino una auditoría: se identificaron y corrigieron siete defectos del canal, entre ellos un confusor de época CIE-9/CIE-10 que producía un caso ejemplar de aprendizaje por atajo, con AUC 0.973 obtenido al reconocer la plantilla de laboratorio de cada periodo en lugar del fenómeno clínico. Tras la corrección, el detector alcanza sensibilidad 0.762 y especificidad 0.770 (AUC 0.843), con un valor predictivo positivo de 0.455 a la prevalencia poblacional (20.12 %). El contraste con transformers clínicos ajustados muestra que el factor determinante no es la arquitectura sino la ventana de contexto: el modelo procesa solo el 9.0 % del documento. Contra el consenso de dos evaluadores independientes, el detector recupera el 94.5 % de los eventos confirmados con una especificidad de 0.538, de modo que opera como filtro de cribado y no como árbitro. El 25 % de los casos que la codificación administrativa declara negativos resultan ser eventos reales para el experto, lo que mide directamente el subregistro que motiva el trabajo. El estudio incluye además la transferencia al español con etiqueta de oro sobre 6,336 reportes reales (naturaleza 85 %, código de evento específico 76 % en 41 clases) y la comparación con la literatura (Murff 2011, Classen 2011, Zech 2018, Li 2022).
Palabras clave:
procesamiento de lenguaje natural, seguridad del paciente, eventos adversos, supervisión débil, MIMIC-IV, aprendizaje por atajo
Adjuntos: presentación (35 láminas) y artículo en formato IEEE (14 páginas).
Código y bitácora de ejecución: github.com/carlosperez100/PLN_SP
Detección automática de eventos adversos hospitalarios en notas clínicas mediante Procesamiento de Lenguaje Natural.
Autor:
Carlos Pérez Pérez
Maestría en Ciencias con mención en Inteligencia Artificial, Facultad de Ingeniería Industrial y de Sistemas, Universidad Nacional de Ingeniería, Lima, Perú
Curso: MIA-10 Procesamiento del Lenguaje Natural
Docente: Dr. Wester Zela Moraya
Resumen:
La notificación de eventos adversos en una institución peruana de salud depende de un proceso manual y voluntario con un subregistro estimado cercano al 72 %. Este trabajo evalúa un canal de Procesamiento de Lenguaje Natural que detecta eventos adversos en resúmenes de alta y los clasifica según la taxonomía del Anexo 02 de la directiva institucional de 2021, sobre 70,000 epicrisis de MIMIC-IV. El aporte central no es una métrica sino una auditoría: se identificaron y corrigieron siete defectos del canal, entre ellos un confusor de época CIE-9/CIE-10 que producía un caso ejemplar de aprendizaje por atajo, con AUC 0.973 obtenido al reconocer la plantilla de laboratorio de cada periodo en lugar del fenómeno clínico. Tras la corrección, el detector alcanza sensibilidad 0.762 y especificidad 0.770 (AUC 0.843), con un valor predictivo positivo de 0.455 a la prevalencia poblacional (20.12 %). El contraste con transformers clínicos ajustados muestra que el factor determinante no es la arquitectura sino la ventana de contexto: el modelo procesa solo el 9.0 % del documento. Contra el consenso de dos evaluadores independientes, el detector recupera el 94.5 % de los eventos confirmados con una especificidad de 0.538, de modo que opera como filtro de cribado y no como árbitro. El 25 % de los casos que la codificación administrativa declara negativos resultan ser eventos reales para el experto, lo que mide directamente el subregistro que motiva el trabajo. El estudio incluye además la transferencia al español con etiqueta de oro sobre 6,336 reportes reales (naturaleza 85 %, código de evento específico 76 % en 41 clases) y la comparación con la literatura (Murff 2011, Classen 2011, Zech 2018, Li 2022).
Palabras clave:
procesamiento de lenguaje natural, seguridad del paciente, eventos adversos, supervisión débil, MIMIC-IV, aprendizaje por atajo
Adjuntos: presentación (35 láminas) y artículo en formato IEEE (14 páginas).
Código y bitácora de ejecución: github.com/carlosperez100/PLN_SP