Dos aportaciones con impacto en la práctica clínica
1) Fine-Tuning Transformer Models for Structuring Spanish Psychiatric Clinical Notes
Presentación: Sergio Rubio Martín
Descripción: Se evalúa el desempeño de varios modelos transformadores (BETO, ClinicalBERT, entre otros) para estructurar notas clínicas psiquiátricas en español.
Resultados principales:
-
ClinicalBERT, pese a su entrenamiento original en inglés, alcanzó el mejor F1 global.
-
BETO-cased destacó en categorías con alta variabilidad lingüística.
Relevancia: El estudio sienta bases sólidas para el procesamiento automático del lenguaje clínico en español, un ámbito con gran potencial de transferencia a sistemas de apoyo a la decisión.
2) AI-Driven Survival Prediction in Pancreatic Cancer
Presentación: Arturo Crespo Álvaro
Descripción: Se aplican modelos de machine learning (Random Forest, XGBoost, Decision Tree) para predecir la supervivencia a 3, 12 y 18 meses en pacientes con cáncer de páncreas, con datos reales del CAULE.
Metodología destacada:
-
Generación sintética de datos para robustecer el entrenamiento.
-
Interpretabilidad con SHAP, facilitando la lectura clínica de los modelos.
Resultados principales: -
Predicciones con precisión de hasta el 88 % según horizonte.
-
Identificación de variables clínicamente relevantes, aportando transparencia y utilidad potencial en la toma de decisiones.
Una misma visión
Ambas comunicaciones responden a una visión compartida: transformar la medicina mediante IA, combinando rigor metodológico, interpretabilidad y orientación a problemas sanitarios reales.
Agradecimientos
Agradecemos la implicación de todas las personas participantes en estas investigaciones y a la organización del IEEE CBMS 2025 por la acogida y la visibilidad brindada a este trabajo interdisciplinar.
