Fronteras de la investigación | Modelos de lenguaje de gran escala para el seguimiento longitudinal de síntomas tras la implantación de un estimulador del nervio vago

Introducción

Después de implantar un dispositivo de estimulación del nervio vago (VNS), los cambios longitudinales en el estado de un paciente suelen documentarse en las notas clínicas. Estas notas pueden describir la actividad convulsiva, el estado de ánimo o el dolor en consultas concretas. Sin embargo, su formato no estructurado dificulta comparar sistemáticamente los cambios a lo largo de varios años.

Un estudio publicado en JAMIA Open en 2026 evaluó si un modelo de lenguaje de gran escala (LLM) podía extraer síntomas y puntuaciones de gravedad de las notas clínicas para construir trayectorias longitudinales a nivel individual. Su objetivo principal era evaluar el rendimiento de un método de extracción de información clínica. Las trayectorias resultantes también ofrecieron una primera visión de las diferencias entre pacientes.

Antecedentes

Limitaciones de la documentación clínica

La documentación clínica debe distinguir entre un síntoma registrado explícitamente como ausente y un síntoma que no se menciona. El primero aporta evidencia de que se realizó una evaluación durante esa consulta; el segundo no proporciona ninguna información sobre el estado del síntoma. Las notas también pueden documentar un síntoma persistente sin aportar suficientes detalles para graduar su gravedad. Clasificar todas esas anotaciones como ausencia del síntoma introduciría errores en las estimaciones longitudinales del cambio.

Las escalas estandarizadas proporcionan evaluaciones uniformes de los síntomas, pero no necesariamente se completan en todas las consultas rutinarias. Por ello, los investigadores estudiaron si los síntomas podían extraerse de forma fiable de las notas clínicas existentes y seguirse a lo largo del tiempo. Este es un paso metodológico necesario antes de que estos registros puedan utilizarse para análisis longitudinales más detallados.

Métodos

Extracción de síntomas y clasificación de la gravedad

Los investigadores reunieron 5 conjuntos de datos que comprendían 95 pacientes y 1,427 notas clínicas anotadas manualmente. Los datos de entrenamiento procedían principalmente de registros relacionados con la COVID, complementados con notas de pacientes que recibían VNS u otra atención quirúrgica. Los datos se dividieron a nivel de paciente en conjuntos de entrenamiento (58 pacientes), validación (8 pacientes) y prueba (29 pacientes), evitando que las notas del mismo paciente aparecieran tanto en el entrenamiento como en la prueba. El conjunto de prueba incluía 23 pacientes con VNS y 6 pacientes sometidos a otra cirugía.

El análisis utilizó un proceso de 2 etapas. En la primera etapa se identificaron 13 categorías de síntomas y cada síntoma se clasificó como presente, negado explícitamente o no mencionado. Para los síntomas clasificados como presentes, la segunda etapa asignó un nivel de gravedad: leve, moderado o grave. Los síntomas documentados sin información suficiente para clasificarlos por gravedad recibieron una etiqueta independiente. En el análisis longitudinal, los síntomas que no se mencionaban se trataron como datos faltantes y se excluyeron de los cálculos de gravedad media. Los investigadores compararon modelos de distintos tamaños con las anotaciones manuales y, posteriormente, organizaron los registros de VNS preoperatorios y posoperatorios por trimestre natural en relación con la cirugía.

Para poder realizar el análisis de la trayectoria de la gravedad de las convulsiones, era necesario contar con al menos 5 notas relevantes antes de la cirugía y 5 después. Se definió una mejoría clínicamente significativa como una reducción de al menos una categoría de gravedad respecto al valor basal preoperatorio, mantenida durante 2 trimestres posoperatorios consecutivos que contuvieran notas relevantes. Podían existir trimestres sin documentación relevante entre esos 2 trimestres observados. Se incluyó a 10 pacientes sometidos a otra cirugía mayor sin VNS para realizar una comparación descriptiva; 6 de ellos también formaban parte del conjunto de prueba del modelo. Los grupos no fueron aleatorizados ni emparejados. No se informaron los parámetros específicos de estimulación de la VNS.

Resultados

Rendimiento de la clasificación de síntomas

Para identificar convulsiones en las notas de prueba de pacientes con VNS, el modelo con mejor rendimiento alcanzó una puntuación F1 ponderada de 0.98 (intervalo de confianza del 95%, de 0.96 a 0.99). La puntuación correspondiente en las notas de prueba de otros pacientes quirúrgicos fue de 0.91. La puntuación F1 integra la precisión y la exhaustividad. Después del entrenamiento específico para la tarea, la puntuación F1 ponderada global aumentó de 0.75 a 0.92, mientras que la proporción de resultados que cumplían el formato predefinido aumentó del 80% al 100%. Las puntuaciones F1 ponderadas para la clasificación de la gravedad en los distintos síntomas oscilaron entre 0.76 y 0.96.

Estos resultados agregados deben interpretarse con cautela. La puntuación F1 ponderada está influida por la frecuencia de cada clase y puede ocultar casos no detectados de síntomas poco frecuentes. La sensibilidad para la ideación suicida en el modelo más grande fue de 1.00 en las notas de pacientes con VNS, pero de 0.80 en las notas de otros pacientes quirúrgicos. Aunque la puntuación F1 para la clasificación de autolesiones alcanzó 0.99, solo se documentaron entre 2 y 4 casos positivos en cada grupo. Este número reducido no demuestra una detección fiable de este riesgo clínicamente importante.

La Figura 3 presenta el rendimiento de la clasificación de síntomas estratificado por sexo y raza. Algunas subcategorías incluían muy pocos pacientes. Además, los intervalos de confianza se estimaron mediante remuestreo de notas sin tener en cuenta la correlación entre las notas repetidas del mismo paciente. Los análisis por subgrupos pueden identificar diferencias que merezcan una evaluación adicional, pero no demuestran un rendimiento equivalente del modelo entre los distintos grupos demográficos.

Figura 1. Rendimiento medio ponderado de modelos LLaMA ajustados de diferentes tamaños en la clasificación de síntomas.

Figura 2. Rendimiento medio ponderado del modelo LLaMA-3.3-70B ajustado en la clasificación de la gravedad de los síntomas.

Figura 3. Rendimiento de la clasificación de síntomas por raza y sexo en modelos LLaMA de diferentes tamaños.

Variación en las trayectorias longitudinales

Se construyeron trayectorias longitudinales para 23 pacientes con VNS del conjunto de prueba, pero solo 8 cumplieron el umbral de documentación para el análisis de la gravedad de las convulsiones. 4 cumplieron el criterio de mejoría predefinido, 2 presentaron una gravedad mayor que su valor basal preoperatorio en el último trimestre con registros disponibles y 2 no cumplieron el criterio de mejoría. Entre los 4 pacientes clasificados como mejorados, los primeros momentos que cumplían los criterios correspondieron a los trimestres posoperatorios 0, 0, 1 y 2, lo que dio una mediana de 0.5 trimestres. El trimestre 0 indica que el cambio se documentó después de la cirugía dentro del mismo trimestre natural. No demuestra que el efecto de la estimulación comenzara en cuestión de días o semanas.

En el paciente representado en la Figura 4, la gravedad media según la anotación manual disminuyó de 1.80 antes de la cirugía a 0.00 después de la cirugía. Una puntuación de 0 indicaba que se mencionaban convulsiones, pero que no podían graduarse a partir del texto disponible; no indicaba una resolución completa de las convulsiones. Por tanto, el descenso puede reflejar diferencias en el nivel de detalle de la documentación y no puede interpretarse directamente como una reducción de la frecuencia de las convulsiones o de la carga clínica. Las predicciones del modelo coincidieron con las anotaciones manuales en la mayoría de los momentos, pero difirieron sustancialmente en la observación final: la etiqueta manual permaneció en 0, mientras que el modelo clasificó la gravedad como alta. Esta discrepancia demuestra la necesidad de verificar las observaciones individuales al interpretar una trayectoria automatizada.

Figura 4. Trayectoria longitudinal de la gravedad de las convulsiones en un paciente representativo con VNS.

Figura 5. Mapa de calor a nivel de cohorte de la gravedad de las convulsiones en 8 pacientes con VNS, alineado con la fecha de la cirugía.

Las trayectorias de otros síntomas mostraron diferencias en el momento de aparición. Entre los 14 pacientes cuyos registros cumplían el umbral de documentación para los síntomas depresivos, 8 cumplieron el criterio de mejoría. La mediana de tiempo hasta el primer trimestre que cumplía los criterios en estos pacientes fue de 14 trimestres. Como un síntoma puede no volver a documentarse durante un periodo prolongado, estas estimaciones representan la primera observación registrada de mejoría, no el momento fisiológico exacto en que comenzó.

Las notas de los pacientes sometidos a otra cirugía no mostraron el mismo descenso posoperatorio sistemático. Sin embargo, los grupos no se emparejaron en cuanto al diagnóstico, los síntomas preoperatorios, la duración del seguimiento o la frecuencia de la documentación. Tampoco se realizó un análisis fiable de la interacción entre el grupo y el tiempo. Por tanto, la comparación es descriptiva y no puede demostrar que la VNS causara los cambios observados.

Figura 6. Trayectoria longitudinal de la gravedad de las convulsiones en un paciente quirúrgico de control representativo del NSQIP.

Interpretación

Limitaciones interpretativas y metodológicas

Al organizar en trayectorias trimestrales la información dispersa en las notas clínicas, el enfoque permitió observar con mayor facilidad las diferencias entre pacientes. No obstante, el análisis se limitó a los síntomas documentados durante los contactos clínicos y no pudo caracterizar los acontecimientos ocurridos entre las consultas. Los registros de VNS procedían de un único centro médico y las puntuaciones de gravedad dependían de la interpretación humana de textos narrativos. Se necesita una validación externa para determinar si se puede lograr un rendimiento similar en otros entornos.

Los investigadores también examinaron las asociaciones entre síntomas en un modelo de predicción posterior. El análisis de explicabilidad describió cómo utilizaba el modelo las características de los síntomas; no identificó el proceso interno de toma de decisiones del LLM ni evaluó las vías biológicas relacionadas con el nervio vago. Estas asociaciones pueden verse afectadas por la rareza de algunos síntomas y por las diferencias en las prácticas de documentación. El remuestreo de notas en lugar de pacientes puede haber producido intervalos de confianza demasiado estrechos, ya que algunos pacientes aportaron varias notas. Los pequeños subgrupos demográficos también impiden extraer conclusiones firmes sobre la equidad del modelo.

Investigación futura

Los futuros estudios multicéntricos podrían utilizar una documentación estandarizada de los síntomas y comparar las trayectorias derivadas del modelo con medidas comunicadas por los pacientes, diarios de convulsiones y evaluaciones objetivas para determinar qué información falta en las notas rutinarias. Los síntomas poco frecuentes pero clínicamente importantes, incluida la ideación suicida, requieren muestras de validación más grandes y una evaluación específica de las tasas de falsos negativos. Para evaluar si los cambios asociados con la VNS superan los atribuibles a la evolución natural de la enfermedad o a los efectos generales de la cirugía, se necesitarían grupos de comparación emparejados por diagnóstico, síntomas iniciales e intensidad del seguimiento, junto con análisis predefinidos entre grupos. Estos estudios ayudarían a definir el papel adecuado de la revisión automatizada de historias clínicas en el seguimiento clínico.

Estos hallazgos son relevantes para el debate más amplio sobre el seguimiento de las respuestas a la estimulación del nervio vago, pero no deben interpretarse como evidencia sobre dispositivos auriculares para consumidores. El estudio examinó un flujo de trabajo basado en un LLM aplicado a notas clínicas de pacientes que habían recibido VNS implantada. No evaluó productos de ZenoWell, taVNS para uso doméstico ni la capacidad de un dispositivo para mejorar los síntomas. ZenoWell's Luna Plus son dispositivos de estimulación no invasiva basados en el oído y diseñados para rutinas repetibles; Luna Plus añade orientación opcional mediante una aplicación e historial de sesiones. Sus características y cualquier cambio comunicado por los usuarios deben evaluarse por separado. Las investigaciones futuras deberían estudiar los dispositivos para uso doméstico mediante un seguimiento prospectivo de los síntomas y resultados claramente definidos.

Referencia

Thakkar V, Silverman GM, Putzer M, et al. Longitudinal symptom severity tracking in vagus nerve stimulation patients: a 2-stage LLM-based pipeline with explainable AI. JAMIA Open. 2026;9(5):ooag195. https://doi.org/10.1093/jamiaopen/ooag195