Redes Neuronales Artificiales para valorar la percepción de los pacientes respecto de la efectividad de medicamentos.

Abstract

La presente investigación se enmarca en el proceso de transformación de la farmacovigilancia hacia entornos digitales, en los cuales el volumen creciente de información no estructurada generada por los pacientes supera ampliamente la capacidad de los métodos tradicionales de análisis, por lo que, pese a los avances computacionales, persiste una brecha significativa entre la eficacia clínica reportada en ensayos controlados y la efectividad percibida en la práctica real, lo que limita su aprovechamiento para la toma de decisiones en salud pública Objetivo: Este proyecto aborda el desafío de ingeniería que supone automatizar la detección de polaridad (sentimiento) en reseñas sobre medicamentos. Sin embargo, la investigación va más allá de una clasificación básica: se planteó como una confrontación técnica entre dos arquitecturas de memoria profunda, LSTM y GRU. La prioridad central fue determinar, de manera empírica, cuál de estos modelos logra mantener una alta precisión predictiva sin consumir excesivos recursos computacionales. En definitiva, se buscaba ese equilibrio ideal que permitiera un despliegue viable en entornos reales. Metodología: La hoja de ruta del proyecto siguió la disciplina del estándar CRISP-DM para gestionar la complejidad inherente al "Drug Review Dataset" (UCI). El tratamiento de los datos exigió un flujo de saneamiento bastante riguroso, que transformó más de 160.000 registros crudos en secuencias matemáticas estandarizadas de 200 tokens. Esto conduce a la fase de entrenamiento, donde se explotó la capacidad GPU de Kaggle mediante una configuración de alto rendimiento. Es importante destacar que se forzaron lotes masivos de 2048 muestras a lo largo de 300 épocas, una táctica diseñada específicamente para acelerar la convergencia del gradiente y, en consecuencia, reducir drásticamente los tiempos de espera.