Fa gairebé un mes vaig participar en l’hackató de dades sintètiques sanitàries organitzat per l’Hospital Clínico de Madrid. El que més em va cridar l’atenció va ser que, malgrat els esforços i les enormes inversions en sistemes d’informació, la informació de qualitat és escassa. Això converteix una eventual transformació del sistema sanitari a través de les dades i la intel·ligència artificial gairebé en una quimera.
David Rey, doctor
18 de desembre de 2025
Tot i que, en realitat, no em va sorprendre del tot. Segons la meva experiència dels darrers anys, aquest problema es repeteix en qualsevol sector. Fins i tot a les empreses natives digitals, obtenir dades de qualitat exigeix canviar la manera de treballar, i ja sabem que “la cultura es menja l’estratègia per esmorzar”... i de vegades no hi ha res més rígid que el cervell humà.
Però aviat, a mesura que avançava el dia, em vaig tranquil·litzar una mica. Semblava que, si les dades reals no existien, podíem construir-ne una rèplica prou bona (dades sintètiques). Tot i que, clarament, continuen sent dades “inventades”, i en un entorn tan sensible com aquest em va venir al cap una segona pregunta: són prou bones?
Gairebé de seguida vaig recordar el procés de construcció de DeepSeek R1 a principis d’aquest any, en què —simplificant al màxim— el model de raonament es va entrenar amb dades generades per un model auxiliar (DeepSeek R1-Zero). Mitjançant l’aprenentatge per reforç, el model va adquirir capacitats de raonament cada vegada més sofisticades. Una part rellevant d’aquest èxit va residir precisament en l’ús de dades sintètiques.
CONDITION
Malalties, diagnòstics, trastorns, símptomes i signes.
DRUG
Medicaments, principis actius i productes farmacèutics.
PROCEDURE
Procediments mèdics, proves d’imatge, cirurgies i intervencions.
MEASUREMENT
Proves o mètriques clíniques (el concepte mesurat).
LAB_RESULT
Resultats numèrics o qualitatius esmentats al text.
OBSERVATION
Fets no diagnòstics: hàbits, factors socials, troballes.
DEVICE
Dispositius mèdics utilitzats, inserits o implantats.
ANATOMY
Localitzacions corporals, estructures o regions anatòmiques.
UNIT
Unitats de mesura.
TEMPORAL
Expressions temporals clínicament rellevants: freqüència, durada, moment.
D’altra banda, les darreres setmanes a Tietai estàvem millorant el mòdul d’identificació d’entitats de dades sobre text lliure, seguint el model de dades OMOP CDM (que vol ser un model de dades comú i estandarditzat que reculli qualsevol tipus de dada clínica).
El nostre objectiu era crear un sistema molt eficient i precís que tractés grans volums de textos del sistema sanitari sense tenir en compte a priori la seva estructura: històries clíniques en text natural, informes d’alta, seguiments, etc.
El problema no és nou, perquè aquest tipus de qüestions patien nivells de precisió escassos amb les tècniques tradicionals de processament del llenguatge natural. Tanmateix, l’aparició recent dels grans models de llenguatge (LLM) i les seves versions reduïdes (SLM) ha obert una finestra de millora: la complexitat tècnica ha baixat, però el cost i els temps necessaris per executar processos grans continuen sent alts.
Seria possible millorar les aproximacions més tradicionals d’etiquetatge d’entitats en text (que són més eficients) amb dades sintètiques? És a dir, podem construir un model capaç de detectar al text elements dels tipus següents?
En concret, m’havia centrat en models específics basats en arquitectures de tipus BERT, com Clinical Bert, però orientats a la meva tasca. El primer problema era que necessitava construir una base de dades, i el segon, com assegurar-me que no havia caigut en un sobreajust per l’endogàmia de consumir dades que jo mateix havia produït.
Així que em vaig posar mans a l’obra per construir el conjunt de dades amb aquest format:
{
"text": "Ibuprofen 500 mg every morning for headache after bronchoscopy of the left lung",
"tokens": ["Ibuprofen", "500", "mg", "every", "morning", "for", "headache",
"after", "bronchoscopy", "of", "the", "left", "lung"],
"tags": ["B-D", "O", "B-U", "B-T", "I-T", "O", "B-C",
"O", "B-P", "O", "O", "B-A", "I-A"]
}- B- Primer token d’una entitat
- I- Tokens següents de la mateixa entitat
- O Fora de qualsevol entitat
- Les lletres després del guionet són els tipus d’entitat anteriors (D = DRUG, U = UNIT, T = TEMPORAL…)
Registre il·lustratiu.
En total es generarien 20.873 registres, repartits en tres grups:
- Conjunt d’entrenament: 16.699 (80 %)
- Conjunt de prova: 2.087 (15 %)
- Conjunt de validació: 2.087 (15 %)
Aquestes dades no s’han generat de manera completament aleatòria; es força que els registres continguin una proporció mínima de casos positius de cada categoria, així com casos negatius o clarament negatius.
Com construïm el conjunt de dades i el model?
La idea general és construir un conjunt de dades que es refina generalitzant els errors observats. El procés consta d’una sèrie de passos:
- Generar dades sintètiques amb un gran model tutor.
- Validar la qualitat de les dades sintètiques amb un altre model tutor, per garantir la qualitat de les dades utilitzades.
- Dividir el conjunt generat en 3 parts disjuntes: (1) entrenament (60 %), (2) prova/validació en entrenament (20 %), (3) validació fora de mostra (20 %).
- Ajustar un model eficient i petit, que incorpori coneixement del domini però que no inclogui el conjunt de validació. En aquest cas seria PlanTL-GOB-ES/bsc-bio-ehr-es, preentrenat amb 278.000 documents i notes clíniques.
- Sobre el conjunt de validació original, analitzem amb un altre model tutor (Gemini 2.5 Flash) per generalitzar patrons de les dades observats en els errors del conjunt de prova.
- Per a cadascun dels errors, generem un nou conjunt de dades amb 3 observacions per patró.
- Finalment, tornem a refinar el model al pas 4 durant 3 iteracions, fins que les mètriques de validació del sistema deixen de millorar.
- 1
Generar
Un gran model tutor escriu registres sintètics.
- 2
Validar
Un segon model tutor en comprova la qualitat.
- 3
Dividir
Entrenament 60 %, prova durant l’entrenament 20 %, validació fora de mostra 20 %.
- 4
Ajustar
Un model petit de domini (bsc-bio-ehr-es) aprèn del conjunt d’entrenament.
- 5
Analitzar errors
Gemini 2.5 Flash generalitza els patrons d’error observats al conjunt de prova.
- 6
Reforçar
Tres exemples nous per patró d’error tornen a l’ajust, durant tres iteracions.
Abans: una única OBSERVATION àmplia
OStates that in recent months he has had high work stress, but denies persistent sadness, loss of interest in activities, negative thoughts or problems sleeping.
Després: entitats Condition i Temporal separades
States that Tin recent months he has had Chigh work stress, but denies Cpersistent sadness, Closs of interest in activities, Cnegative thoughts or Cproblems sleeping.
Patró d’error: entitats diferents agrupades en un sol tram i tipificades com a OBSERVATION.
La imatge anterior explica millor la clau del procés: el model tutor revisa els errors i intenta explicar una classificació incorrecta. Aquesta serà l’entrada perquè un altre model generi sintèticament observacions positives que reforcin una classificació correcta.
Aquests resultats són generalitzables?
Ara bé, ja tenim un model capaç d’etiquetar informació clínica amb precisió (respecte al nostre conjunt inicial), però la pregunta és: aquesta qualitat és real o només es deu al fet que hem “cuinat” les dades al nostre gust?
Abans de desvelar cap misteri, m’aturo a mostrar el resultat del model. Com veiem, és capaç d’identificar al text patrons que corresponen a les entitats:
Has also noticed Cdifficulty concentrating at work and lower tolerance to exercise: before ran L5 Ukm without difficulty and now gets Texhausted L1–L2 Ukm.
- C CONDITION
- L LAB_RESULT
- U UNIT
- T TEMPORAL
El model de classificació també havia obtingut mètriques més que dignes:
- Exactitud: 98 %
- Recall: 92 %
- F1: 94 %
Fins aquí, tot bé, però calia confirmar que l’experiment havia generalitzat bé. Per fer-ho, vaig decidir veure com funcionava amb un conjunt públic de malalties anomenat CANTEMIST. Amb aquestes dades, m’assegurava d’avaluar resultats amb dades fora de mostra.
D’altra banda, volia comparar el rendiment del meu model amb un altre de similar entrenat per a una tasca específica. Per sort, SEDIA i el BSC havien entrenat un model de classificació sobre la mateixa base que el meu, però fent servir CANTEMIST com a conjunt d’entrenament i validació. En el seu cas, l’havien entrenat amb 30.565 observacions.
Per comparar tots dos models, vaig fer servir mesures d’exactitud a nivell de registre (en lloc de fer-ho a nivell de token, com es fa a l’article del model esmentat al paràgraf anterior). Els resultats van ser més que sorprenents: tots dos models funcionaven de manera molt semblant.
Amb això em vaig quedar una mica més tranquil. El model construït no només tenia nivells de precisió similars als d’un model entrenat específicament per a la tasca, sinó que a més era capaç de classificar altres tipus d’entitats. Així, la meva hipòtesi sobre la utilitat de les dades sintètiques en aquest àmbit quedava confirmada experimentalment.
Conclusions
Per tancar, podríem dir que l’ús de dades sintètiques generades i validades de manera sistemàtica no només és tècnicament viable, sinó que és una alternativa adequada per als casos en què les dades són difícils d’obtenir.
En sectors tan sensibles com la salut, les dades sintètiques poden ser una bona alternativa (de vegades fins i tot l’única).
Idees clau que cal tenir en compte:
- És possible construir models multipropòsit que ofereixen un rendiment comparable al de solucions molt especialitzades, redueixen la dependència de desenvolupaments ad hoc i faciliten la reutilització en diferents casos d’ús.
- La transferència de coneixement de models grans a models més petits i eficients permet equilibrar qualitat i cost, i fa possibles desplegaments en producció amb menys requisits d’infraestructura.
- El pipeline basat en la generació, la validació automàtica i el refinament iteratiu de dades sintètiques minimitza els riscos de sobreajust i millora la generalització.
- El cost molt baix d’adquisició de dades (35 $) és un avantatge clar d’aquest mètode, sobretot en sectors on l’accés a dades reals és limitat o car.
- Tot i així, vull deixar clar que l’etiquetatge humà és l’ideal, però amb aquesta prova podem assegurar que és una font vàlida sempre que disposem de conjunts de validació (com en el nostre cas).



