Procesamiento de lenguaje natural para el diagnóstico de delirium postoperatorio

Abstract

El presente trabajo aborda la detección del delirium postoperatorio (DPO) en adultos mayores mediante técnicas de Procesamiento de Lenguaje Natural (PLN). El DPO es una condición frecuente en pacientes adultos mayores, la detección temprana es fundamental para disminuir sus consecuencias (largas estadías hospitalarias, costos, mayores índices de mortalidad, entre otros). Por lo que se propone un enfoque basado en el análisis del habla, el cual busca ser más ágil y de menor costo asociado. La metodología incluye la recolección de datos de audio, la transcripción y limpieza de registros, y la extracción de características lingüísticas (pausas, fluidez y similitud semántica) complementadas con variables demográficas y clínicas. Se entrenaron modelos de aprendizaje automático, incluyendo enfoques no semánticos (Random Forest, MLP) y semánticos (BETO). Los resultados indican que el modelo semántico BETO Uncased alcanzó una sensibilidad de 0.76 (IC 95%: 0.63- 0.90) y una especificidad de 0.95 (IC 95%: 0.92- 0.98), superando tanto a los modelos no semánticos como a la combinación de ambos enfoques. Esto demuestra que el análisis del lenguaje, incluso sin datos clínicos adicionales, es una herramienta eficaz para la detección del DPO. Estos hallazgos sugieren que el lenguaje puede ser un marcador clave para identificar alteraciones cognitivas y que la combinación de enfoques lingüísticos y clínicos podría optimizar aún más la detección del DPO. Este estudio destaca el potencial del PLN como una herramienta complementaria para la evaluación médica, especialmente en entornos hospitalarios con recursos limitados.