Cada día, hospitales y centros sanitarios generan miles de informes médicos redactados en lenguaje natural. Transformar toda esa información en códigos clínicos estandarizados sigue siendo una tarea lenta y costosa, pero un nuevo sistema de inteligencia artificial desarrollado con participación de la UNED promete automatizar gran parte del proceso y, además, explicar cómo toma sus decisiones.
La investigadora Alicia Ramírez Arrabe, del grupo NLP&IR del Departamento de Lenguajes y Sistemas Informáticos de la UNED, ha participado en el desarrollo de una arquitectura de IA capaz de convertir automáticamente textos médicos en códigos de la Clasificación Internacional de Enfermedades (CIE-10).
El sistema, descrito en BMC Medical Informatics and Decision Making, no solo identifica diagnósticos, síntomas o procedimientos, sino que también señala qué fragmentos concretos del informe médico justifican cada predicción, un avance clave para aumentar la transparencia y la confianza en el uso de inteligencia artificial en entornos sanitarios.
Cómo funciona la IA que traduce informes médicos a códigos clínicos
La codificación clínica permite transformar la información contenida en informes médicos en un lenguaje común basado en códigos estandarizados. Gracias a ello, hospitales y profesionales sanitarios pueden compartir información de forma homogénea y analizar grandes volúmenes de datos clínicos.
Sin embargo, gran parte de este trabajo continúa realizándose manualmente. “Los sistemas que automaticen el proceso aportan mucho valor, ya que convierten una tarea muy tediosa y de muchas horas en un proceso rápido y eficiente, que a su vez permite dedicar más tiempo a investigar y analizar la información”, explica Alicia Ramírez Arrabe.
La arquitectura desarrollada por el equipo combina tres fases basadas en procesamiento del lenguaje natural e inteligencia artificial:
- reconocimiento de entidades médicas,
- clasificación supervisada,
- análisis de similitud semántica.
El sistema fue evaluado utilizando corpus clínicos en español e inglés y logró una mejora media del 3,42% en la métrica F1 respecto a métodos anteriores, un resultado especialmente relevante en tareas de alta complejidad computacional.
Más de 100.000 códigos posibles: el reto de la codificación clínica
Uno de los principales desafíos de la codificación clínica automática es la enorme cantidad de categorías médicas existentes.
Según explica la investigadora, estos sistemas trabajan con lenguaje médico altamente especializado y con más de 100.000 códigos posibles, lo que convierte cualquier mejora en precisión y cobertura en un avance significativo para el sector sanitario.
Además, el sistema incorpora una fase no supervisada que le permite detectar códigos que no había visto previamente durante el entrenamiento, aumentando así su capacidad para trabajar en escenarios clínicos reales.
La IA también es capaz de interpretar referencias complejas dentro de los textos médicos, incluyendo menciones superpuestas o fragmentadas que deben analizarse conjuntamente para identificar correctamente un diagnóstico o procedimiento.
Una inteligencia artificial que no funciona como una “caja negra”
Uno de los aspectos más innovadores del trabajo es su capacidad de ofrecer explicaciones sobre cada decisión.
“El sistema presentado, además de predecir los códigos CIE-10, devuelve las partes del texto que justifican dichas predicciones”, señala la investigadora.
Este enfoque de IA explicable permite que médicos y especialistas puedan verificar rápidamente por qué el sistema ha asignado un determinado código clínico, facilitando la supervisión humana y aumentando la transparencia del proceso.
La capacidad de justificar decisiones es uno de los grandes retos actuales de la inteligencia artificial aplicada a la medicina, especialmente en entornos donde la fiabilidad y la trazabilidad son fundamentales.
El siguiente objetivo: una demo funcional para hospitales e investigación
El próximo paso de la investigación será desarrollar una demo funcional que permita introducir textos clínicos y visualizar automáticamente tanto los códigos detectados como los fragmentos del informe utilizados para justificar cada resultado.
Si los resultados continúan siendo positivos, esta tecnología podría facilitar futuras aplicaciones tanto en hospitales como en proyectos de investigación biomédica basados en grandes volúmenes de datos clínicos.
El trabajo se ha desarrollado con el respaldo de la infraestructura de la UNED y del conocimiento especializado del grupo NLP&IR en procesamiento del lenguaje natural aplicado al ámbito biomédico, una de las líneas de investigación consolidadas del Departamento de Lenguajes y Sistemas Informáticos.
