Dr. Marco V. Benavides S\u00e1nchez. Medmultilingua.com \/<\/p>\n\n\n\n
La medicina moderna no solo genera datos: genera lenguaje<\/strong>. Cada vez que un m\u00e9dico registra un diagn\u00f3stico, prescribe un medicamento o solicita un procedimiento, est\u00e1 dejando una huella ling\u00fc\u00edstica en la historia cl\u00ednica electr\u00f3nica. Pero para una inteligencia artificial, estos c\u00f3digos y t\u00e9rminos no tienen significado por s\u00ed mismos. Son apenas s\u00edmbolos. El verdadero reto est\u00e1 en ense\u00f1ar a los algoritmos a comprender ese lenguaje m\u00e9dico tan especializado y usarlo para anticipar lo que puede ocurrirle a un paciente.<\/p>\n\n\n\n Un estudio reciente publicado en Artificial Intelligence in Medicine<\/em> por Bornet y colaboradores (2025) se propuso responder una pregunta fundamental: \u00bfqu\u00e9 modelos de lenguaje representan mejor los conceptos m\u00e9dicos y permiten predecir<\/strong> la evoluci\u00f3n cl\u00ednica de los pacientes?<\/p>\n\n\n\n Los autores compararon tres arquitecturas ampliamente utilizadas en procesamiento del lenguaje natural: word2vec, GloVe y fastText.<\/strong> Aunque estos modelos se desarrollaron originalmente para analizar textos cotidianos como libros, noticias o publicaciones en redes sociales, en este estudio se entrenaron con algo muy distinto: trayectorias de pacientes. Es decir, secuencias temporales de diagn\u00f3sticos, procedimientos y medicamentos extra\u00eddas de grandes bases de datos cl\u00ednicos reales.<\/p>\n\n\n\n La idea es sencilla pero poderosa. Si dos conceptos m\u00e9dicos suelen aparecer juntos en la pr\u00e1ctica cl\u00ednica \u2014por ejemplo, \u00abinsuficiencia card\u00edaca\u00bb y \u00abdiur\u00e9tico\u00bb\u2014, el modelo deber\u00eda \u00abaprender\u00bb que est\u00e1n relacionados, del mismo modo que aprende que \u00abcoraz\u00f3n\u00bb e \u00abinfarto\u00bb est\u00e1n sem\u00e1nticamente cerca en el lenguaje com\u00fan. As\u00ed, la inteligencia artificial construye un mapa conceptual<\/strong> de la medicina bas\u00e1ndose no en definiciones te\u00f3ricas, sino en la experiencia acumulada de miles de pacientes.<\/p>\n\n\n\n El estudio evalu\u00f3 primero si los modelos realmente capturan la sem\u00e1ntica m\u00e9dica. Para ello, compararon los grupos de conceptos aprendidos por la IA con las jerarqu\u00edas oficiales de terminolog\u00edas biom\u00e9dicas, como las clasificaciones internacionales de enfermedades o procedimientos.<\/p>\n\n\n\n Aqu\u00ed, fastText<\/strong> destac\u00f3 claramente. Gracias a que analiza subcomponentes de las palabras \u2014lo que en ling\u00fc\u00edstica computacional se conoce como subwords<\/em>\u2014, logr\u00f3 formar agrupaciones de diagn\u00f3sticos, procedimientos y medicamentos muy similares a las clasificaciones te\u00f3ricas usadas en medicina. En algunos casos, la similitud entre los grupos aprendidos por la IA y los definidos por expertos super\u00f3 el 90%.<\/p>\n\n\n\n Esto sugiere que fastText<\/strong> es especialmente eficaz para comprender el significado interno de los c\u00f3digos m\u00e9dicos, incluso cuando estos son complejos, raros o est\u00e1n compuestos por m\u00faltiples elementos. En cierto sentido, este modelo \u00ablee entre l\u00edneas\u00bb la estructura misma del lenguaje m\u00e9dico.<\/p>\n\n\n\n Sin embargo, cuando el objetivo cambi\u00f3 de \u00abentender conceptos\u00bb a \u00abpredecir resultados cl\u00ednicos\u00bb \u2014como mortalidad, reingresos hospitalarios o duraci\u00f3n de la estancia\u2014, los resultados se invirtieron de manera sorprendente.<\/p>\n\n\n\n En estas tareas predictivas de alto nivel, word2vec y GloVe <\/strong>superaron a fastText, alcanzando mejores desempe\u00f1os en m\u00e9tricas como el AUROC (\u00e1rea bajo la curva ROC), <\/strong>que mide la capacidad discriminativa de un modelo. Es decir, aunque fastText <\/strong>comprende mejor el lenguaje m\u00e9dico a nivel conceptual, los modelos con representaciones m\u00e1s globales y contextuales parecen ser m\u00e1s eficaces para anticipar la evoluci\u00f3n cl\u00ednica de los pacientes.<\/p>\n\n\n\n \u00bfPor qu\u00e9 ocurre esto? Probablemente porque predecir trayectorias cl\u00ednicas requiere capturar patrones m\u00e1s amplios y relacionales, no solo la sem\u00e1ntica individual de cada t\u00e9rmino. La medicina es, al fin y al cabo, un sistema complejo donde importa tanto lo que significa cada pieza como c\u00f3mo se relacionan entre s\u00ed en el tiempo.<\/p>\n\n\n\n Este trabajo deja una ense\u00f1anza importante para quienes desarrollan sistemas de inteligencia artificial aplicados a la salud: no existe un \u00fanico modelo ideal para todas las tareas cl\u00ednicas.<\/strong><\/p>\n\n\n\n Si el objetivo es interpretar con precisi\u00f3n el significado de diagn\u00f3sticos y procedimientos \u2014por ejemplo, para sistemas de codificaci\u00f3n autom\u00e1tica o b\u00fasqueda sem\u00e1ntica\u2014, los modelos que analizan la estructura interna del lenguaje, como fastText<\/strong>, son fundamentales. Pero si lo que se busca es predecir trayectorias y desenlaces cl\u00ednicos para apoyar decisiones m\u00e9dicas, representaciones m\u00e1s globales pueden resultar m\u00e1s eficaces.<\/p>\n\n\n\n En conjunto, el estudio de Bornet y colaboradores<\/strong> demuestra que la inteligencia artificial puede aprender a \u00ableer\u00bb la historia cl\u00ednica con un nivel de sofisticaci\u00f3n sorprendente. Pero tambi\u00e9n nos recuerda que el futuro de la medicina no depender\u00e1 solo de tener m\u00e1s datos, sino de elegir el tipo de inteligencia artificial adecuado para cada pregunta cl\u00ednica.<\/p>\n\n\n\n Referencia:<\/strong><\/p>\n\n\n\n Bornet, A., Proios, D., Yazdani, A., Jaume-Santero, F., Haller, G., Choi, E., & Teodoro, D. (2025). Comparing neural language models for medical concept representation and patient trajectory prediction. Artificial Intelligence in Medicine<\/em>, 163<\/em>, 103108. https:\/\/doi.org\/10.1016\/j.artmed.2025.103108<\/a><\/p>\n\n\n\n #ArtificialIntelligence #AIinMedicine #MedicalAI #DigitalHealth #Medmultilingua<\/strong><\/p>\n","protected":false},"excerpt":{"rendered":" Dr. Marco V. Benavides S\u00e1nchez. Medmultilingua.com \/ La medicina moderna no solo genera datos: genera lenguaje. Cada vez que un m\u00e9dico registra un diagn\u00f3stico, prescribe un medicamento o solicita un procedimiento, est\u00e1 dejando una huella ling\u00fc\u00edstica en la historia cl\u00ednica electr\u00f3nica. Pero para una inteligencia artificial, estos c\u00f3digos y t\u00e9rminos no tienen significado por s\u00ed…<\/p>\n","protected":false},"author":1,"featured_media":59,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-50","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-blog"],"_links":{"self":[{"href":"https:\/\/medmultilingua.com\/espanol\/wp-json\/wp\/v2\/posts\/50","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/medmultilingua.com\/espanol\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/medmultilingua.com\/espanol\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/medmultilingua.com\/espanol\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/medmultilingua.com\/espanol\/wp-json\/wp\/v2\/comments?post=50"}],"version-history":[{"count":9,"href":"https:\/\/medmultilingua.com\/espanol\/wp-json\/wp\/v2\/posts\/50\/revisions"}],"predecessor-version":[{"id":60,"href":"https:\/\/medmultilingua.com\/espanol\/wp-json\/wp\/v2\/posts\/50\/revisions\/60"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/medmultilingua.com\/espanol\/wp-json\/wp\/v2\/media\/59"}],"wp:attachment":[{"href":"https:\/\/medmultilingua.com\/espanol\/wp-json\/wp\/v2\/media?parent=50"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/medmultilingua.com\/espanol\/wp-json\/wp\/v2\/categories?post=50"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/medmultilingua.com\/espanol\/wp-json\/wp\/v2\/tags?post=50"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}Modelos de lenguaje aplicados a la medicina<\/h2>\n\n\n\n
\u00bfQui\u00e9n entiende mejor el significado m\u00e9dico?<\/h2>\n\n\n\n
Pero comprender no siempre es predecir mejor<\/h2>\n\n\n\n
Una lecci\u00f3n clave para la medicina basada en IA<\/h2>\n\n\n\n
\n\n\n\n