Entrenar un modelo IA con terminología médica
Entrenar un modelo IA con terminología médica exige corpus clínicos extensos, adaptación de dominio y validación rigurosa antes del despliegue. Descubre qué es el fine-tuning médico y cómo aplicarlo.
13 min de lectura
Entrenar un modelo IA con terminología médica
Un LLM entrenado en Wikipedia diagnostica "lumbago" como "dolor de espalda baja" y desconoce "EPOC agudizado". Así pierdes precisión diagnóstica en la primera línea del informe. Medical NLP poses challenges due to domain-specific terminology, abbreviations, and inconsistent documentation; standard BERT-based models, trained on general corpora, struggle with these complexities.
Entrenar IA en terminología médica no consiste en leer un diccionario a la red neuronal. Large language model fine-tuning is the process of adjusting out-of-the-box model weights using a dataset of interest, and can be a powerful technique to improve model performance in fields like medicine, where LLMs may have poor out-of-the-box performance.
Este artículo explica qué datasets se necesitan, qué técnicas de fine-tuning funcionan mejor en contextos clínicos y qué errores terminológicos hay que evitar.
Qué significa entrenar IA en terminología médica
Cuando hablamos de entrenar IA con terminología médica nos referimos a adaptar un modelo de lenguaje preentrenado (GPT, BERT, LLaMA) para que reconozca, comprenda y genere lenguaje clínico con la precisión que requiere la práctica asistencial real.
Un modelo de lenguaje general no ha visto suficientes notas de urgencias, informes de anatomía patológica o historias clínicas de atención primaria como para entender que "HTA mal controlada" y "paciente hipertenso con PA 165/95" expresan conceptos relacionados pero diferentes. Building clinical natural language processing (NLP) systems that work on widely varying data is an absolute necessity because of the expense of obtaining new training data.
La adaptación de dominio clínico incluye tres capas: vocabulario especializado (CIE-10, SNOMED CT, terminología farmacológica), sintaxis propia del registro clínico (frases truncadas, listas, abreviaturas), y conocimiento relacional (un "ictus isquémico" desencadena valoración de riesgo cardiovascular, anticoagulación, rehabilitación neurológica).
¿Por qué no basta con un modelo genérico? Porque "disnea" en un contexto general puede significar respiración acelerada; en un contexto clínico activa un árbol de decisión diferencial que incluye insuficiencia cardíaca, EPOC, anemia o ansiedad, cada uno con protocolo de manejo distinto.
Adaptación de dominio frente a entrenamiento desde cero
Given the limited availability of raw clinical cases in Spanish, training a model from scratch was not deemed effective; prior research indicates that adapting general-purpose models through domain-specific pretraining often yields better results than training specialized models from scratch with small data.
La estrategia dominante en 2026 es la adaptación de dominio (domain adaptation): partir de un modelo general ya entrenado (por ejemplo, RoBERTa o LLaMA) y aplicar un ciclo adicional de preentrenamiento sobre corpus clínico.
In NLP, domain adaptation can be achieved through continued pretraining on domain-specific corpora prior to supervised fine-tuning, and continued pretraining provides systematic gains in specialized domains. Este enfoque conserva el conocimiento sintáctico y semántico general, añade vocabulario médico y ajusta las representaciones internas para que términos como "bradicardia sinusal" o "leucocitosis con desviación izquierda" adquieran el peso semántico correcto.
Modelos como BioBERT, pretrained on PubMed abstracts, improved biomedical Named Entity Recognition and relation extraction; ClinicalBERT, fine-tuned on clinical notes, enhanced hospital-based applications. En español, RigoBERTa Clinical sigue la misma filosofía: parte de un modelo general español y se preentrena con casos clínicos publicados, anotaciones de tareas compartidas y corpus anónimos.
Qué corpus se necesitan y cómo obtenerlos
Entrenar o adaptar un modelo IA con terminología médica requiere tres tipos de corpus clínico.
Corpus de preentrenamiento no supervisado: decenas de miles de historias clínicas anónimas, informes de alta, notas de evolución, informes radiológicos. Sirven para aprender vocabulario, frecuencias de coocurrencia y sintaxis clínica sin etiquetar. A domain-specific German BERT model was trained on a large data set of German medical texts, including articles, papers, and electronic medical records.En la Unión Europea la dificultad estriba en las restricciones de compartición de datos clínicos: los corpus públicos son escasos y los privados exigen acuerdos institucionales, auditorías de privacidad y, en muchos casos, análisis de impacto EIPD.
Corpus anotados para fine-tuning supervisado: pares de entrada-salida etiquetados por profesionales. Ejemplo: fragmentos de historia clínica con entidades marcadas (fármaco, dosis, posología), pares pregunta-respuesta clínicas, o descripciones de síntomas emparejadas con especialidades médicas. These conversations were cleaned and anonymized to respect privacy concerns.El coste de estos datasets es alto: cada anotación clínica exige revisión por un médico especialista.
Datasets de evaluación y validación: benchmarks específicos de especialidad (NER clínico, clasificación de especialidad médica, extracción de código CIE-10, normalización de conceptos). We used 2393 sentence pairs for the training set and 728 for the test set; we also acquired the Korean medical named entity recognition dataset consisting of 2189 Korean medical sentences with tagged clinical terminology. Sin estos benchmarks no puedes demostrar que el modelo supera a su predecesor general en tareas clínicas.Técnicas de fine-tuning en medicina: SFT y DPO
Una vez adaptado el modelo al dominio clínico mediante preentrenamiento continuado, lo ajustas a tareas específicas con técnicas de fine-tuning supervisado.
The 2 common fine-tuning techniques are supervised fine-tuning (SFT) and direct preference optimization (DPO); however, little guidance is available for when to apply either method within clinical medicine or health care operations.
Supervised Fine-Tuning (SFT): el modelo recibe pares (entrada, respuesta esperada) y ajusta sus pesos para minimizar la diferencia entre su salida y la respuesta anotada. SFT funciona bien cuando dispones de gran volumen de ejemplos anotados y la tarea tiene respuesta única o cuantificable (extracción de entidades, clasificación de especialidad, código diagnóstico). Direct Preference Optimization (DPO): en lugar de enseñar la respuesta correcta, presentas al modelo dos respuestas (A preferida, B rechazada) y ajustas los pesos para maximizar la probabilidad de generar A. In a clinical reader study with ten physicians, summaries from our best-adapted LLMs are preferable to human summaries in terms of completeness and correctness.DPO es útil cuando no existe respuesta única correcta (redacción de resúmenes clínicos, adaptación de registro profesional, priorización de información clínica) y dispones de preferencias humanas anotadas.
Ambas técnicas pueden combinarse: SFT para aprender la tarea base, DPO para refinar calidad y alineación con expectativas clínicas.
Vocabulario médico extendido: cómo integrarlo
Un modelo general tokeniza "electrocardiografía" en subpalabras, desperdiciando representación y perdiendo la semántica unitaria del término. GPT employs subword tokenization for unfamiliar medical terms, providing effective handling of technical terminology and abbreviations through token assignment for common medical entities; LLaMA enhances this capability through its SentencePiece-based tokenization, which combines rare term handling with specialised embeddings for medical entities.
El peso de esos tokens nuevos se inicializa por promediado de embeddings de subpalabras o por normalización y después se entrena.
La ventaja es doble: el modelo procesa "insuficiencia cardíaca congestiva" como bloque semántico único y aprende sus relaciones con "ortopnea", "edema maleolar" o "BNP elevado" de forma más eficiente. Además, la compresión de vocabulario reduce el número de tokens por nota clínica, acelerando la inferencia.
Validación clínica y riesgos del fine-tuning médico
Entrenar un modelo IA con terminología médica no garantiza que su salida sea clínicamente segura. ChatDoctor represents a significant advancement in medical LLMs, demonstrating a significant improvement in understanding patient inquiries and providing accurate advice; given the high stakes and low error tolerance in the medical field, such enhancements in providing accurate and reliable information are not only beneficial but essential.
Los riesgos principales son tres: alucinaciones terminológicas (el modelo inventa códigos CIE-10, nombres de fármacos o dosis), degradación de rendimiento en casos raros (el fine-tuning sobreajusta al subconjunto de entrenamiento y empeora en entidades infrecuentes), y sesgo de especialidad (un modelo entrenado mayoritariamente con informes radiológicos subestima conceptos psiquiátricos o de atención primaria).
La validación clínica exige cuatro capas: evaluación automática en benchmarks (precisión, recall, F1 en NER clínico), revisión humana de salidas por profesionales de cada especialidad, prueba en casos adversarios (términos ambiguos, abreviaturas no estándar), y auditoría de equidad (rendimiento comparable en todas las especialidades, grupos etarios y contextos geográficos representados).
Antes de integrar un modelo médico en producción, establece un protocolo de supervisión continua: los médicos revisan todas las salidas, el modelo nunca opera sin supervisión humana, y cada error detectado se registra para análisis posterior. Para profundizar en las implicaciones de seguridad y privacidad, consulta ¿Es seguro usar IA para transcribir consultas?.
Casos de uso real: de la transcripción a la codificación
El fine-tuning con terminología médica impulsa aplicaciones clínicas concretas en consultas diarias.
Transcripción estructurada: un modelo ajustado a vocabulario médico reconoce "disnea de mínimos esfuerzos", "edemas maleolares bilaterales" o "crepitantes bibasales" en el flujo de conversación y los inserta en la sección correcta de la nota SOAP. Qué es el PLN en medicina explica las bases lingüísticas de esta capacidad. Extracción automática de diagnósticos CIE-10: Medical Concept Normalization reduces ambiguity in medical terminology by mapping diverse expressions to a standardized code, improving precision in text classification tasks like disease diagnosis and drug recognition; BERT and Medical Concept Normalization automate the manual normalization of medical concepts, saving healthcare professionals time and reducing errors. 3 sin necesidad de que el médico busque en la tabla. com/blog/ia-y-codificacion-de-diagnosticos-cie-10) desarrolla este uso clínico. Clasificación de especialidad médica: dado un texto de consulta, el modelo predice la especialidad más adecuada para derivación. We use a pre-trained Korean Medical BERT (KM-BERT) model to address the domain-specific and language-specific datasets elaborately; KM-BERT was trained using the Korean medical corpus with a bidirectional wordpiece tokenizer for Korean. Este uso acelera el triaje administrativo en sistemas de salud pública.Diferencias entre un modelo médico general y uno de especialidad clínica
Entrenar IA con terminología médica general no basta para todas las especialidades. Un modelo médico generalista reconoce "bradicardia", "cefalea" o "parestesia"; un modelo de especialidad clínica distingue "ritmo de la unión a 40 lpm con PR corto y complejo estrecho" (cardiología), "cefalea en estallido con déficit motor súbito" (neurología) o "parestesias en guante y calcetín con reflejos aquíleos abolidos" (medicina interna).
El fine-tuning de especialidad exige corpus anotados por especialistas de esa área. Our paper uses a methodology to produce a model specifically focused on clinical entities; we continue pre-training a Dutch model on an IBD clinical corpus, along with a novel entity-centric masking strategy with contrastive learning to integrate domain knowledge into the learning process.
En el preentrenamiento, las estrategias de enmascaramiento priorizan entidades propias de esa especialidad (nombres de fármacos biológicos en gastroenterología, escalas funcionales en rehabilitación, hallazgos radiológicos en radiología).
La ganancia es notable: en dominios con lenguaje muy técnico (anatomía patológica, genética clínica, oncología radioterápica), un modelo de especialidad duplica la precisión respecto a uno general porque aprende relaciones semánticas que solo aparecen en ese corpus.
Estrategias de actualización continua del modelo
La terminología médica cambia: surgen fármacos, se publican nuevas guías, se actualizan códigos CIE. Un modelo entrenado en 2024 desconoce antidiabéticos aprobados en 2025 o la actualización de la CIE-11.
La actualización continua (continual learning) consiste en reentrenar periódicamente el modelo con corpus reciente sin olvidar el conocimiento previo. La dificultad estriba en el olvido catastrófico: al reentrenar con datos nuevos, el modelo puede degradar su rendimiento en conceptos antiguos.
Las estrategias incluyen mezcla de corpus antiguo y nuevo en cada ciclo de reentrenamiento, uso de técnicas de regularización que penalizan cambios bruscos en pesos importantes, y arquitecturas modulares (adaptadores) que añaden capas nuevas sin tocar el núcleo del modelo.
En producción, programa ciclos de actualización trimestrales o semestrales sincronizados con publicaciones de guías clínicas y actualizaciones de nomenclatura oficial, y mantén un conjunto de test fijo para detectar regresiones en rendimiento.
Preguntas frecuentes
¿Cuánto tiempo se necesita para entrenar un modelo IA con terminología médica desde cero?Depende del tamaño del modelo y del corpus. Un modelo BERT-base (110 millones de parámetros) adaptado a dominio clínico con decenas de miles de historias clínicas puede requerir varios días de entrenamiento en GPU de gama alta. El fine-tuning posterior para tareas específicas (extracción de entidades, clasificación) suele completarse en horas.
Los grandes modelos multimodales (más de mil millones de parámetros) pueden necesitar semanas de cómputo distribuido y corpus de cientos de miles de documentos clínicos.
¿Qué diferencia hay entre BioBERT, ClinicalBERT y modelos generales ajustados?BioBERT se preentrena sobre literatura biomédica (PubMed), ClinicalBERT sobre notas clínicas hospitalarias reales. Un modelo general ajustado (por ejemplo, RoBERTa + fine-tuning supervisado en dataset clínico) salta el preentrenamiento de dominio y ajusta directamente. BioBERT y ClinicalBERT obtienen mejores resultados en tareas clínicas porque sus representaciones internas ya capturan vocabulario y sintaxis médica; un modelo general ajustado necesita mucho más dato anotado para alcanzar el mismo nivel.
¿Puedo usar un modelo médico en inglés para consultas en español?No de forma directa. Los modelos entrenados en inglés médico no entienden "insuficiencia cardíaca congestiva" ni la sintaxis propia del español clínico. Necesitas un modelo multilingüe preentrenado o un modelo entrenado específicamente con corpus clínico español. Alternativamente, puedes adaptar un modelo español general mediante fine-tuning con corpus clínico en español, como hace RigoBERTa Clinical.
¿El fine-tuning médico requiere anotar datos clínicos manualmente?Para tareas supervisadas sí. La anotación de corpus clínico exige revisión por profesionales sanitarios: marcar entidades (fármaco, dosis, síntoma, hallazgo), etiquetar respuestas correctas o validar preferencias humanas. Existen técnicas de aprendizaje débilmente supervisado que aprovechan etiquetas ruidosas (por ejemplo, extraer diagnósticos de campos estructurados de la HCE) o generación sintética de datos, pero la calidad del modelo mejora siempre con anotación manual de calidad.
¿Qué marco normativo protege los datos clínicos usados en entrenamiento?En la Unión Europea, el RGPD y, en España, la LOPDGDD regulan el tratamiento de datos de salud. Los corpus de entrenamiento deben anonimizarse (no basta con pseudonimización), contar con base jurídica (investigación científica con garantías, consentimiento explícito o interés público en salud pública), y estar protegidos con cifrado extremo a extremo. Documentación clínica con IA: guía completa profundiza en las obligaciones normativas de los sistemas IA en sanidad.
¿Los modelos entrenados con terminología médica pueden diagnosticar?No. Los modelos entrenados con terminología médica reconocen, clasifican, extraen y generan lenguaje clínico, pero no sustituyen el juicio diagnóstico del médico. Pueden sugerir códigos diagnósticos, extraer síntomas de un relato o completar campos de un informe, pero la responsabilidad diagnóstica, terapéutica y pronóstica permanece siempre en el profesional sanitario. Un modelo puede proponer "considerar insuficiencia cardíaca en el diagnóstico diferencial"; el médico integra esa sugerencia con exploración física, analítica y contexto clínico del paciente.
¿Cuánto mejora la precisión de un modelo tras el fine-tuning médico?La ganancia depende de la tarea y del corpus. En tareas de NER clínico (reconocimiento de entidades médicas), la adaptación de dominio puede duplicar la F1 respecto a un modelo general. En clasificación de especialidad médica o extracción de códigos CIE-10, las mejoras oscilan entre puntos porcentuales modestos y ganancias sustanciales en categorías raras o ambiguas.
Sin embargo, la ganancia más importante no siempre es cuantitativa: un modelo adaptado comete menos errores graves (confundir una patología por otra, omitir un hallazgo crítico) que uno general, reduciendo riesgo clínico.
Última actualización: junio de 2026. Revisado por el equipo clínico de MedicMic.