Fenotipado automatizado de enfermedades oftalmológicas a partir de historiales médicos rutinarios usando pequeños modelos de lenguaje y la Human Phenotype Ontology (HPO)

Por qué importa leer mejor las notas de los oftalmólogos

Cada visita al oftalmólogo genera una carta o informe repleto de observaciones sobre los ojos del paciente. Estas notas son vitales para la atención, pero están redactadas en texto libre, a menudo en distintos idiomas y con cada médico usando su propia terminología. Eso dificulta combinar información entre clínicas, construir grandes registros de investigación o encontrar rápidamente pacientes con problemas similares. Este estudio muestra cómo un sistema de inteligencia artificial (IA) diseñado con cuidado puede convertir automáticamente estas narrativas desordenadas en una lista limpia y estandarizada de hallazgos oculares —sin enviar datos sensibles de los pacientes a la nube.

Convertir notas cotidianas en datos estructurados

Los investigadores se centraron en una herramienta llamada Human Phenotype Ontology, un catálogo mundial de rasgos médicos definidos con precisión, incluidos los del ojo. En lugar de confiar en que los médicos busquen y asignen estos códigos manualmente —un proceso lento e inconsistente— construyeron una canalización de IA que lee cartas rutinarias de oftalmología y produce los términos estandarizados correspondientes. El objetivo era capturar el detalle rico de las notas clínicas reales mientras se hacen los resultados utilizables para investigación, control de calidad y registros multicéntricos.

Paso a paso: del texto a los hallazgos oculares

La canalización funciona en cuatro etapas principales. Primero, notas anonimizadas de la consulta oftalmológica escritas en alemán se traducen al inglés mediante un modelo de lenguaje compacto afinado con ejemplos de instrucciones. Segundo, el sistema fragmenta descripciones largas en segmentos cortos, cada uno describiendo una sola característica de la parte anterior o posterior del ojo. Tercero, filtra los hallazgos normales y reconoce cuando una enfermedad queda explícitamente descartada, de modo que solo se conservan los problemas reales. Finalmente, cada segmento restante se transforma en una “incrustación” matemática y se empareja con la entrada más cercana en una versión ampliada y multilingüe de la Human Phenotype Ontology, obteniendo un término fenotípico ocular específico y estandarizado.

Enseñando al sistema el lenguaje del cuidado ocular

Como muchas condiciones o formas muy específicas de expresarlas faltaban en el catálogo estándar, el equipo construyó una lista local de sinónimos adaptada a su clínica. Siempre que el sistema elegía el término equivocado para un fragmento de texto, los expertos lo corregían y añadían la frase como nuevo sinónimo del código correcto. Este proceso de “experto en el bucle” se repitió en alrededor de 10.000 informes médicos. Los nuevos fenotipos oculares que aún no existían en la ontología global se propusieron de vuelta al consorcio internacional de la Human Phenotype Ontology, ayudando a mejorar el estándar compartido para futuros usuarios.

Qué tan bien coincidió la IA con los expertos humanos

Para evaluar el rendimiento, los investigadores seleccionaron aleatoriamente 175 historiales de pacientes reales y un oftalmólogo experimentado los anotó a mano con términos de la ontología. De media, los humanos identificaron 2,53 características oculares relevantes por carta, mientras que la IA produjo 2,52 —casi idéntico. De 342 términos identificados por humanos, el sistema recuperó 341. Las medidas clave de exactitud fueron sólidas: la superposición entre los conjuntos de términos de la IA y los humanos (similitud de Jaccard) fue de aproximadamente dos tercios, y el equilibrio entre corrección y exhaustividad (puntuación F1) fue alrededor de 0,80, comparable con herramientas de última generación en otros dominios médicos. La mayoría de los errores restantes ocurrieron cuando el término ocular necesario simplemente aún no existía en la ontología.

Mantener la privacidad de los datos mientras se conectan los puntos

Una característica notable de este enfoque es que se ejecuta completamente en el hardware local del hospital, ayudando a las clínicas a cumplir con estrictas normativas de protección de datos mientras desbloquean el valor de sus registros. Al convertir notas en texto libre a códigos estandarizados que ya no contienen nombres ni identificadores directos, el sistema facilita un intercambio de datos más seguro para registros e investigaciones. Su diseño modular permite que otros hospitales lo adapten a su propia jerga y abreviaturas ajustando las instrucciones y ampliando las listas de sinónimos, sin necesitar reentrenar grandes modelos de IA.

Qué podría significar esto para los pacientes y la investigación oftalmológica

Para los pacientes, este tipo de fenotipado automatizado podría significar que patrones raros de enfermedad se reconozcan antes y que los tratamientos puedan ser mejor emparejados y estudiados entre centros. Para médicos e investigadores, promete revisiones de historias clínicas más rápidas, registros más completos y menos horas dedicadas a la codificación manual. Los autores concluyen que una canalización de IA basada en recuperación, cuidadosamente fundamentada —construida alrededor de una ontología médica de confianza y afinada al lenguaje de una clínica local— puede traducir con precisión las notas cotidianas de oftalmología en datos estructurados listos para investigación, allanando el camino para un uso más amplio de la IA en la atención oftalmológica rutinaria.

Cita: Thai, B.D., Arens, S., Reinhard, T. et al. Automated phenotyping of ophthalmologic diseases from routine medical records using small language models and the human phenotype ontology (HPO). Sci Rep 16, 14682 (2026). https://doi.org/10.1038/s41598-026-51512-z

Palabras clave: oftalmología, minería de texto clínico, fenotipado, ontologías médicas, interoperabilidad de datos de salud