Resumen de notas de enfermería en centros de salud de Trujillo mediante procesamiento de lenguaje natural y Fine Tuning 2025

• Autores: Palacios Castillo, Jesus Rafael, Soto Varas, Ruben Sebastian
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Privada Antenor Orrego
• Repositorio: UPAO-Tesis
• Lenguaje: español
• OAI Identifier: oai:repositorio.upao.edu.pe:20.500.12759/88072
• Enlace del recurso: https://hdl.handle.net/20.500.12759/88072
• Nivel de acceso: acceso abierto
• Materia: Procesamiento de Lenguaje Natural; Aumento de Datos; https://purl.org/pe-repo/ocde/ford#3.02.27

Esta presente investigación tiene como objetivo aplicar técnicas de procesamiento de lenguaje natural (NLP) y fine tuning para generar resúmenes coherentes de notas de enfermería en centros de salud de Trujillo. La problemática se centra en la sobrecarga de trabajo del personal de enfermería y el tiempo que demanda la lectura y análisis de estas notas clínicas, las cuales son clave para la continuidad del cuidado del paciente. Para enfrentar este desafío, se recopilaron y preprocesaron notas de enfermería obtenidas de diferentes instituciones de salud, la cantidad de notas obtenidas ascendió a 41 ejemplares. El siguiente paso fue limpiar los datos obtenidos, digitalizarlos y aumentar los datos mediante diversas tecnicas de Data Augmentation, como Synonym Replacement, Back Translate, Paraphrasing with generative model y Contextual Word Embeddings Augmentation. Mediante estas técnicas, logramos obtener más inputs para mejorar el entrenamiento y refinar los outputs de los modelos de lenguaje natural (NLP) preentrenados que utilizamos. Mediante la revisión de estados del arte, estimamos emplear Google MT-5 y BRET, a los modelos previamente mencionados les aplicamos fine tuning, de modo que pudimos especializarlos en el contexto de notas de enfermería. Para establecer nuestras mediciones de evaluación y rendimiento de los resúmenes generados, utilizamos métricas automáticas ROUGE y BLEU y validación experta, mediante una encuesta a profesionales del sector salud, quienes determinaron la coherencia y la aplicabilidad practica de los, para sintetizar el texto y disminuir el tiempo de lectura, manteniendo el contexto clínico esencial. Por tanto, esta investigación demuestra la viabilidad y efectividad de aplicar el Fine Tuning en modelos NLP, para especializarlos en entornos médicos en textos en español, generando resúmenes, por tanto, mejorando la eficiencia y disminuyendo el riesgo latente de errores clínico, relacionados a la sobrecarga de información.