Modelos de lenguaje especializados para la extracción y normalización de información en documentos clínico-oncológicos.

Cross-Lingual Clinical Annotation Projection as Constrained Text Generation: A Six-Language Study (Preprint)

Rey-Blanes, A.; Moreno-Barea, F. J.; Veredas, F. J. — arXiv preprint, 2026. arXiv:2609.11450.

Este trabajo estudia la proyección multilingüe de anotaciones clínicas como una tarea generativa restringida a nivel documental. El método inserta etiquetas de entidad directamente sobre un texto objetivo inmutable y aplica posteriormente validación determinista y reconstrucción de offsets a nivel de carácter. El sistema se evalúa frente a métodos supervisados basados en candidatos y estrategias híbridas ML-LLM para transferir entidades Disease, Symptom y Procedure del español a seis idiomas. GLM 5.2 obtiene un F1 estricto medio de 0,9201 en las 18 combinaciones idioma-entidad, mientras que Gemma4:31B alcanza 0,9133. La mejor configuración supera el estado del arte previo en las 18 configuraciones evaluadas, con mejoras de F1 estricto entre 0,0564 y 0,1512 y 55.416 menciones reconstruidas con offsets.

arXiv

Entity-Aware Generation of Synthetic Clinical Progress Notes for Prostate Cancer using Large Language Models (Preprint)

Rey-Blanes, A.; Veredas-Morente, J.; Moreno-Barea, F. J.; Veredas, F. J. — medRxiv preprint, 2026. DOI: 10.64898/2026.06.12.26355166.

El estudio analiza el uso de LLM para proyectar entidades clínicas a través de transformaciones textuales sustanciales, evaluando si las entidades anotadas en casos de cáncer de próstata pueden preservarse cuando las narrativas originales se transforman en notas clínicas de evolución. Se comparan estrategias Entity-to-Entity (E2E), con anotaciones explícitas como entrada, y Text-to-Entity (T2E), donde el modelo debe generar y anotar directamente desde texto plano. E2E obtiene resultados consistentemente superiores: GLM5 alcanza un F1 de 0,915 en zero-shot y Claude Sonnet 4.6 un F1 de 0,896. En T2E, Claude Sonnet 4.6 alcanza un F1 de 0,718 con few-shot. Los resultados muestran que proporcionar información semántica explícita facilita considerablemente la preservación y localización de entidades clínicas.

medRxiv · DOI

Generation and Evaluation of Realistic Synthetic Clinical Progress Notes for Prostate Cancer using Large Language Models (Preprint)

Rey-Blanes, A.; Moreno-Barea, F. J.; Veredas-Morente, J.; Vivas-Vargas, E.; Gil-García, F.; Veredas, F. J. — medRxiv preprint, 2026. DOI: 10.64898/2026.05.25.26354027.

Este trabajo evalúa si los LLM pueden generar notas clínicas de evolución realistas en español a partir de casos publicados de cáncer de próstata, preservando el contenido clínico, la temporalidad y las convenciones propias de la documentación hospitalaria. Se utilizan 109 casos y se comparan GPT-5.4 Nano, Qwen 3.5:35B A3B y GLM-5 mediante estrategias zero-shot y few-shot con texto plano y enriquecimiento mediante entidades. La evaluación combina métricas léxicas y semánticas, LLM-as-a-judge, análisis de seguridad y revisión clínica experta. GLM-5 presenta el perfil global más robusto y alcanza resultados próximos a las notas redactadas por humanos, aunque el estudio señala que la fiabilidad continúa dependiendo del modelo y de la estrategia de prompting.

medRxiv · DOI · Dataset

ICB-UMA at #SMM4H–HeaRD 2026: Hybrid Clinical Entity Projection for MultiClinAI: Adaptive Candidate Windows, XGBoost, and LLM Refinement

Rey-Blanes, A.; Giménez-Gómez, S.; Veredas, F. J.; Moreno-Barea, F. J. — Proceedings of the 11th Social Media Mining for Health Research and Applications (SMM4H-HeaRD 2026) Workshop and Shared Tasks, pp. 127–132. Association for Computational Linguistics, San Diego, United States, July 2026.

El trabajo presenta el sistema desarrollado para la tarea compartida MultiClinAI, centrada en la proyección de anotaciones de entidades clínicas del español al inglés. El método transfiere anotaciones expertas de Diseases, Symptoms y Procedures combinando tres componentes: generación de ventanas candidatas adaptativas, un clasificador XGBoost basado en características superficiales y semánticas, y una etapa de postprocesamiento mediante LLM para resolver desalineamientos complejos. El mejor sistema obtuvo el tercer puesto en el ranking oficial, con F1 estricto de 0,737 para Diseases, 0,549 para Symptoms y 0,538 para Procedures.

ACL Anthology