CIMA-BERTIN-4.8-NER

Modelo de reconocimiento de entidades nombradas (NER) para la identificación y catalogación de reacciones adversas de medicamentos en textos farmacéuticos en español.

Este modelo forma parte del Proyecto Fin de Grado (PFG) "Aplicación de modelos de Inteligencia Artificial para la identificación y catalogación de reacciones adversas de medicamentos" del Grado en Ingeniería Informática de la Universidad Nacional de Educación a Distancia (UNED).

Autor: Luis Miguel Guerrero Guirado
Director: Salvador Ros Muñoz
Curso académico: 2025/2026

Descripción del modelo

CIMA-BERTIN-4.8-NER es un modelo de clasificación de tokens (NER) entrenado en dos fases secuenciales para reconocer cuatro tipos de entidades en textos de fichas técnicas de medicamentos españoles:

Entidad	Etiqueta	Descripción
Principio activo	`ACTIVE`	Sustancia farmacológica activa del medicamento
Reacción adversa	`REACT`	Efecto secundario o reacción adversa identificada
Frecuencia	`FREQ`	Frecuencia de aparición de la reacción adversa (muy frecuente, frecuente, poco frecuente, rara, muy rara, frecuencia no conocida)
Sistema orgánico	`SYS`	Sistema del cuerpo humano afectado (ej. Trastornos del sistema nervioso)

El esquema de etiquetado utiliza el formato BIO (Beginning-Inside-Outside) con 9 clases:

ID	Etiqueta	Descripción
0	`O`	Fuera de cualquier entidad
1	`B-ACTIVE`	Inicio de principio activo
2	`I-ACTIVE`	Continuación de principio activo
3	`B-REACT`	Inicio de reacción adversa
4	`I-REACT`	Continuación de reacción adversa
5	`B-FREQ`	Inicio de frecuencia
6	`I-FREQ`	Continuación de frecuencia
7	`B-SYS`	Inicio de sistema orgánico
8	`I-SYS`	Continuación de sistema orgánico

Modelo base

El modelo base utilizado es BERTIN (bertin-project/bertin-base-gaussian-exp-512seqlen), un modelo de tipo BERT pre-entrenado específicamente para el idioma español mediante muestreo por perplejidad (perplexity sampling).

de la Rosa, J., Ponferrada, E. G., Romero, M., Villegas, P., González de Prado Salas, P., & Grandury, M. (2022). BERTIN: Efficient Pre-Training of a Spanish Language Model Using Perplexity Sampling. Procesamiento del Lenguaje Natural, 68, 13–23. arXiv:2207.06814

Pipeline de entrenamiento

El entrenamiento se compone de dos fases secuenciales: un entrenamiento no supervisado (MLM) para adaptar el modelo al dominio farmacéutico, seguido de un entrenamiento supervisado (multi-tarea + NER) para la clasificación de entidades.

┌─────────────────────┐     ┌──────────────────────────┐     ┌─────────────────────┐
│   BERTIN (base)     │────▶│  Fase 1: MLM (4.8)       │────▶│  CIMA-BERTIN-4.8    │
│   Modelo español    │     │  Entrenamiento no        │     │  Modelo adaptado    │
│   generalista       │     │  supervisado             │     │  al dominio         │
└─────────────────────┘     └──────────────────────────┘     └────────┬────────────┘
                                                                      │
                                                                      ▼
                                                             ┌──────────────────────────┐
                                                             │  Fase 2: NER             │
                                                             │  Entrenamiento           │
                                                             │  supervisado             │
                                                             └────────┬─────────────────┘
                                                                      │
                                                                      ▼
                                                             ┌─────────────────────┐
                                                             │  CIMA-BERTIN-4.8-NER│
                                                             │  Modelo final       │
                                                             └─────────────────────┘

Fase 1: Entrenamiento no supervisado — Masked Language Modeling (MLM)

El objetivo de esta fase es adaptar el modelo base BERTIN al dominio farmacéutico español, exponiéndolo a la terminología y estructura lingüística de las fichas técnicas de medicamentos.

Fuente de datos

Los datos de entrenamiento provienen del servicio CIMA (Centro de Información de Medicamentos Autorizados) del Ministerio de Sanidad de España, que contiene las fichas técnicas de todos los medicamentos autorizados para la venta en territorio español.

Métrica	Valor
Ficheros JSON descargados (fichas técnicas completas)	27.299
Ficheros de texto plano generados (sección 4.8)	23.280
Tamaño total del texto plano	~259,4 MB
Líneas de texto cargadas	2.579.304
Total de tokens	38.386.258

Procesamiento de datos

El proceso de limpieza y preparación de los datos consistió en:

Descarga: Obtención de las fichas técnicas completas en formato JSON mediante la API REST de CIMA.
Extracción: Aislamiento de la sección 4.8 (reacciones adversas) de cada ficha técnica.
Conversión: Transformación del contenido HTML a texto plano, eliminando todas las etiquetas de marcado y estilos.
Filtrado: Eliminación de texto irrelevante, como las instrucciones estándar de notificación de sospechas de reacciones adversas que aparecen al final de muchas fichas.

Para la carga y procesamiento eficiente de los ficheros de texto, se utilizó la función load_dataset de la librería datasets de Hugging Face.

Hiperparámetros del entrenamiento MLM

Parámetro	Valor
Épocas	3
Batch size (por dispositivo)	16
Longitud máxima de secuencia	128 tokens
Probabilidad de enmascaramiento (MLM)	18%
Estrategia de guardado	Sin checkpoints intermedios

Infraestructura

Recurso	Detalle
GPU	NVIDIA RTX 5090
Sistema operativo	Windows 11 + WSL
Tiempo de entrenamiento	~10 horas

Fase 2: Entrenamiento supervisado — Multi-tarea + NER

Una vez que el modelo ha adquirido conocimiento del dominio farmacéutico mediante MLM, se procede al entrenamiento supervisado que se compone de dos sub-fases: un clasificador multi-tarea y un modelo NER de clasificación de tokens.

Conjunto de datos supervisado

El conjunto de datos de verdad de referencia (ground truth) fue proporcionado y verificado por profesionales sanitarios. Contiene reacciones adversas anotadas por medicamento con información sobre el principio activo, la frecuencia, el sistema orgánico afectado y la reacción adversa.

Métrica	Valor
Total de filas anotadas	3.195
Medicamentos únicos	51
Filas de entrenamiento (70%)	2.187
Filas de prueba (30%)	969
Muestras de entrenamiento (tras augmentación de datos)	15.309
Muestras de prueba (tras augmentación de datos)	6.783

La partición se realizó de forma estratificada por código de medicamento, garantizando que todos los medicamentos estén representados proporcionalmente en ambos conjuntos (entrenamiento y prueba).

Augmentación de datos

Para ampliar el conjunto de entrenamiento y mejorar la robustez del modelo, por cada fila del dataset original se generan 7 variaciones textuales que combinan las entidades de diferentes formas:

"El principio activo {principio_activo} del medicamento {medicamento} causa {reaccion_adversa}"
"{reaccion_adversa} es una reacción adversa de {principio_activo}"
"Reacción adversa: {reaccion_adversa} con frecuencia {frecuencia} en el {sistema}"
"Efecto secundario de {principio_activo}: {reaccion_adversa}"
"Síntoma reportado: {reaccion_adversa}"
"El tratamiento con {principio_activo} puede producir {reaccion_adversa} en el {sistema} con una frecuencia de {frecuencia}."
"El medicamento {medicamento} con principio activo {principio_activo} puede causar {reaccion_adversa} de {frecuencia} en el {sistema}."

Arquitectura del clasificador multi-tarea

El modelo multi-tarea comparte el encoder BERT adaptado en la Fase 1 y emplea tres cabezas de clasificación independientes sobre la representación pooled (token [CLS]):

                    ┌──────────────────────┐
                    │   Encoder BERT       │
                    │   (CIMA-BERTIN-4.8)  │
                    └──────────┬───────────┘
                               │
                         [CLS] pooled
                               │
                           Dropout
                               │
                 ┌─────────────┼─────────────┐
                 ▼             ▼             ▼
          ┌────────────┐┌────────────┐┌────────────┐
          │ Sistema    ││ Frecuencia ││ Reacción   │
          │ (26 cls)   ││ (6 cls)    ││ (1.242 cls)│
          └────────────┘└────────────┘└────────────┘

Clasificador de sistema orgánico: Linear(hidden_size → 26 clases)
Clasificador de frecuencia: Linear(hidden_size → 6 clases)
Clasificador de reacción adversa: Linear(hidden_size → 1.242 clases)
Dropout: config.hidden_dropout_prob
Función de pérdida: suma ponderada de CrossEntropyLoss de las tres tareas
Ponderación de clases: frecuencia inversa para manejar el desbalanceo entre clases

Hiperparámetros del entrenamiento multi-tarea

Parámetro	Valor
Épocas	4
Batch size (por dispositivo)	16
Warmup steps	100
Weight decay	0.01
Estrategia de evaluación	Por época
Selección del mejor modelo	`eval_loss` (menor es mejor)
Longitud máxima de secuencia	128 tokens

Hiperparámetros del entrenamiento NER

Parámetro	Valor
Épocas	3
Batch size (por dispositivo)	16
Warmup steps	100
Weight decay	0.01
Estrategia de evaluación	Cada 100 pasos
Selección del mejor modelo	`eval_loss` (menor es mejor)
Longitud máxima de secuencia	128 tokens

Resultados de evaluación

La evaluación se realizó con la librería nervaluate sobre el conjunto de prueba (30% del dataset, 969 filas), utilizando cuatro criterios de evaluación estándar para NER:

ent_type: Tipo de entidad correcto, independientemente de los límites exactos del span.
exact: Coincidencia exacta del span de la entidad.
partial: Coincidencia parcial del span de la entidad.
strict: Tipo de entidad correcto y coincidencia exacta del span.

Precisión por tarea de clasificación (multi-tarea)

Tarea	Accuracy
Frecuencia (FREQ)	91,79%
Sistema orgánico (SYS)	95,34%
Reacción adversa (REACT)	60,30%

Métricas globales NER

Criterio	Precisión	Recall	F1-Score
ent_type	0.4562	0.9087	0.6074
exact	0.1702	0.3391	0.2267
partial	0.1702	0.3391	0.2267
strict	0.1683	0.3352	0.2241

Métricas por tipo de entidad (criterio ent_type)

Entidad	Precisión	Recall	F1-Score
FREQ (frecuencia)	0.6117	0.9758	0.7520
REACT (reacción adversa)	0.6087	0.8765	0.7184
ACTIVE (principio activo)	0.4079	0.9746	0.5751
SYS (sistema orgánico)	0.3590	0.9950	0.5277

Análisis de los resultados

Fortalezas:

Alto recall global (90,87% en ent_type): el modelo identifica la gran mayoría de las entidades presentes en el texto.
Excelente recall por tipo de entidad: FREQ (97,58%), ACTIVE (97,46%), SYS (99,50%), REACT (87,65%).
La clasificación multi-tarea alcanza un 91,79% de precisión en frecuencia y un 95,34% en sistema orgánico.

Limitaciones:

La coincidencia exacta de los límites de los spans es significativamente menor (F1 strict: 0,2241), lo que indica que el modelo detecta correctamente la presencia de entidades pero no siempre delimita con precisión su extensión.
Se observa un número elevado de predicciones espurias (falsos positivos), generando una precisión moderada.
La frecuencia exacta de los spans para la entidad FREQ es prácticamente nula (F1 exact: 0,0004).

Limitaciones y consideraciones

Dominio específico: El modelo está entrenado exclusivamente con fichas técnicas de medicamentos españoles provenientes de CIMA. Su rendimiento en otros dominios biomédicos, textos clínicos generales o variantes del español de otros países no ha sido evaluado.
Delimitación de spans: Aunque el modelo tiene un alto recall para la detección del tipo de entidad, la coincidencia exacta de los límites de las entidades es significativamente menor.
Idioma: El modelo está diseñado y entrenado exclusivamente para textos en español.

Uso

from transformers import AutoTokenizer, AutoModelForTokenClassification, pipeline

model_name = "guerrerotook/CIMA-BERTIN-4.8-NER"

tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForTokenClassification.from_pretrained(model_name)

nlp = pipeline("ner", model=model, tokenizer=tokenizer, aggregation_strategy="simple")

texto = (
    "El principio activo SOTALOL HIDROCLORURO puede causar cefaleas "
    "con frecuencia muy frecuente en el sistema nervioso."
)

resultados = nlp(texto)
for entidad in resultados:
    print(f"{entidad['word']}: {entidad['entity_group']} (score: {entidad['score']:.4f})")

Estructura del modelo

CIMA-BERTIN-4.8-NER/
├── multitask_model/                    # Clasificador multi-tarea (sistema, frecuencia, reacción)
├── ner_model/                          # Modelo NER (token classification, formato BIO)
├── system_label_encoder.pkl            # Codificador de etiquetas de sistemas orgánicos (26 clases)
├── frequency_label_encoder.pkl         # Codificador de etiquetas de frecuencia (6 clases)
├── adverse_reaction_label_encoder.pkl  # Codificador de etiquetas de reacciones adversas (1.242 clases)
├── ner_label_mapping.json              # Mapeo de IDs a etiquetas NER (BIO)
└── model_info.json                     # Metadatos del modelo y configuración de entrenamiento

Fuente de datos

Los datos de entrenamiento provienen de CIMA (Centro de Información de Medicamentos Autorizados), servicio del Ministerio de Sanidad de España que contiene las fichas técnicas de todos los medicamentos autorizados.

API REST de CIMA: https://cima.aemps.es/cima/rest/
Sección utilizada: 4.8 — Reacciones adversas
Listado de medicamentos: https://listadomedicamentos.aemps.gob.es/Medicamentos.xls

Framework y dependencias

Componente	Tecnología
Lenguaje	Python
Entrenamiento	Hugging Face Transformers
Carga de datos	Hugging Face Datasets
Evaluación NER	nervaluate
Métricas	scikit-learn
GPU	NVIDIA RTX 5090

Cita

Si utilizas este modelo en tu investigación, por favor cita:

@thesis{guerrero2026cima,
  author  = {Guerrero Guirado, Luis Miguel},
  title   = {Aplicación de modelos de Inteligencia Artificial para la identificación
             y catalogación de reacciones adversas de medicamentos},
  school  = {Universidad Nacional de Educación a Distancia (UNED)},
  year    = {2026},
  type    = {Proyecto Fin de Grado},
  note    = {Dirigido por Salvador Ros Muñoz}
}

Y al modelo base BERTIN:

@article{delarosa2022bertin,
  author  = {de la Rosa, Javier and Ponferrada, Eduardo G. and Romero, Manu
             and Villegas, Paulo and González de Prado Salas, Pablo and Grandury, María},
  title   = {BERTIN: Efficient Pre-Training of a Spanish Language Model
             Using Perplexity Sampling},
  journal = {Procesamiento del Lenguaje Natural},
  volume  = {68},
  pages   = {13--23},
  year    = {2022}
}

Licencia

Este modelo se distribuye bajo la licencia Apache 2.0.

Downloads last month: -; Downloads are not tracked for this model. How to track

Model tree for guerrerotook/CIMA-BERTIN-4.8-NER

Base model

bertin-project/bertin-base-gaussian-exp-512seqlen

Finetuned

(1)

this model

Dataset used to train guerrerotook/CIMA-BERTIN-4.8-NER

Paper for guerrerotook/CIMA-BERTIN-4.8-NER

BERTIN: Efficient Pre-Training of a Spanish Language Model using Perplexity Sampling

Paper • 2207.06814 • Published Jul 14, 2022 • 1