Annu Int Conf IEEE Eng Med Biol Soc. 2025 julio; 2025: 1-4. doi: 10.1109/EMBC58623.2025.11253291.

Este trabajo se centra en predecir el riesgo de infarto agudo de miocardio (IAM) mediante el análisis de datos textuales de informes de anamnesis (historial médico personal del paciente) para mejorar la estratificación del riesgo en los servicios de urgencias. Se ajustó un modelo de procesamiento del lenguaje natural (PNL) utilizando algoritmos previamente entrenados y se empleó el algoritmo 0-1h de la Sociedad Europea de Cardiología (ESC) para evaluar dos mediciones de troponina, determinando el criterio de valoración como descartado o descartado para IAM. El conjunto de datos analizado estuvo compuesto por pacientes con dolor torácico atendidos en el servicio de urgencias del Hospital Clínico Universitario de Valencia (España). Los resultados demostraron que el modelo logró una precisión impresionante de 0,975, con una sensibilidad de 1,0 y una especificidad de 0,95 al incorporar la primera medición de troponina junto con el texto de los informes de anamnesis. Los modelos que se basan únicamente en datos textuales sin información de troponina mostraron una aplicabilidad clínica limitada. Relevancia clínica: este trabajo subraya el potencial significativo del procesamiento del lenguaje natural (PNL) como herramienta de apoyo al diagnóstico, particularmente considerando el volumen sustancial de información del paciente almacenada en formato textual. El modelo propuesto facilita una identificación más precisa de pacientes de alto riesgo, permitiendo intervenciones clínicas oportunas y optimizando la asignación de recursos en los departamentos de emergencia. Además, la integración de un biomarcador crítico, como la medición inicial de troponina, mejora la confiabilidad del modelo, asegurando una mayor solidez y aplicabilidad para su implementación en la práctica clínica habitual.

PubMed:41335973 | DOI:10.1109/EMBC58623.2025.11253291