Autor principal: Santiago Arceo-Díaz
Vol. XXI; nº 16; 185
ARTÍCULO ORIGINAL
Organización temática de la literatura científica mediante minería de texto: aplicación en sarcopenia
Thematic organization of the scientific literature using text mining: an application to sarcopenia
Santiago Arceo-Díaz, Elena Elsa Bricio-Barrios, Xóchitl Trujillo-Trujillo, Amalia Flores-Muñoz, Alejandro Gaspar-Flores
Incluido en Revista Electrónica de PortalesMedicos.com, Volumen XXI. Número 16 – Segunda quincena de Agosto de 2026 – Página inicial: Vol. XXI; nº 16; 185 – DOI: https://doi.org/10.64396/v21-0185 – Cómo citar este artículo
Sobre los autores | Sobre el artículo | Referencias | Anexos
Resumen
Objetivo: El crecimiento acelerado de la literatura científica ha superado la capacidad de realizar revisiones exhaustivas mediante búsquedas convencionales. Este trabajo desarrolló una metodología basada en minería de texto y aprendizaje automático para organizar temáticamente la literatura científica a partir de criterios establecidos por consensos internacionales, utilizando la sarcopenia como modelo de validación.
Métodos: Se recuperaron 833.333 registros bibliográficos de OpenAlex correspondientes al periodo 2000–2025. Los documentos fueron depurados mediante criterios de calidad bibliográfica y tipo documental, posteriormente clasificados de acuerdo con la fuerza de asociación respecto al consenso del Grupo Europeo de Trabajo sobre la Sarcopenia en Personas Mayores (EWGSOP2) y sometidos a un filtro de falsos positivos. Finalmente, mediante técnicas de aprendizaje automático se identificaron los ejes temáticos de los 30 artículos más citados de cada temática.
Resultados: El 93% de los registros recuperados correspondió a publicaciones científicas formales. La clasificación basada en el consenso EWGSOP2 y la incorporación de un filtro de falsos positivos mejoraron la identificación de documentos directamente relacionados con la sarcopenia. El aprendizaje automático permitió identificar seis ejes temáticos principales, caracterizar su evolución temporal y establecer las conexiones entre las principales líneas de investigación.
Conclusiones: La metodología propuesta permitió organizar y clasificar la literatura científica sobre sarcopenia utilizando criterios establecidos por el consenso EWGSOP2. La integración de consensos internacionales con técnicas de minería de texto y aprendizaje automático constituye una estrategia transparente y reproducible que puede extenderse al análisis temático de otras áreas de las ciencias de la salud.
Palabras clave
Sarcopenia; Aprendizaje Automático; Procesamiento del Lenguaje Natural; Recuperación de la Información; Revisión de la Literatura.
Abstract:
Objective: The rapid growth of the scientific literature has exceeded the capacity of conventional search strategies to support comprehensive literature reviews. This study developed a methodology based on text mining and machine learning to thematically organize the scientific literature using criteria established by international consensus statements, with sarcopenia as the application domain.
Methods: A total of 833,333 bibliographic records related to sarcopenia published between 2000 and 2025 were retrieved from OpenAlex. Documents were screened according to bibliographic quality criteria and document type, classified based on their level of association with the European Working Group on Sarcopenia in Older People (EWGSOP2) consensus, and further refined using a false-positive filter. Finally, machine learning techniques were applied to identify the thematic axes represented by the 30 most-cited publications within each research area.
Results: Approximately 93% of the retrieved records corresponded to formal scientific publications. Classification based on the EWGSOP2 consensus, together with the incorporation of a false-positive filter, improved the identification of documents directly related to sarcopenia. Machine learning enabled the identification of six major thematic axes, their temporal evolution, and the relationships among the principal research lines.
Conclusions: The proposed methodology successfully organized and classified the scientific literature on sarcopenia using criteria established by the EWGSOP2 consensus. Integrating international consensus statements with text mining and machine learning provides a transparent and reproducible strategy that can be extended to the thematic organization of scientific literature in other biomedical fields.
Keywords:
Sarcopenia; Machine Learning; Natural Language Processing; Information Retrieval; Literature Review.
Introducción
El conocimiento sobre una enfermedad no es estático, sino dinámico y acumulativo. A medida que se genera nueva evidencia clínica, epidemiológica y biológica, los criterios diagnósticos, las formas de clasificación y la comprensión de un padecimiento tienden a modificarse. Por tanto, es esencial la constante actualización de la literatura científica asociada directa e indirectamente [1].
Por muchos años, esta actualización del conocimiento fue manejable mediante la asistencia a conferencias, talleres y simposios donde se reúnen especialistas de la salud que presentan sus resultados ante sus pares [2]. Con el avance tecnológico, este proceso pasó a la consulta de publicaciones físicas y posteriormente en línea [3]. Sin embargo, en la actualidad, la tasa de producción ha incrementado considerablemente, al punto de que dificulta realizar manualmente [4].
Ante este desafío, se han creado plataformas que facilitan la recuperación de literatura abierta mediante búsquedas textuales y metadatos, como OpenAlex, Google Scholar y ResearchGate. Estas plataformas permiten a los usuarios acceder a los artículos de forma gratuita ingresando manualmente palabras que pueden estar en el título, en las palabras clave o en el nombre del autor [5]. No obstante, el éxito de este rastreo dependerá de la creatividad y la experiencia de la persona usuaria [6].
Recientemente, plataformas como Elicit, Perplexity y Research Rabbit han permitido no solo rastrear palabras clave, sino que, apoyadas en inteligencia artificial, son capaces de sintetizar documentos, vincular fuentes y ofrecer una lectura contextual más rápida de la información [7]. No obstante, estas plataformas de caja negra no permiten conocer los criterios de inclusión para ser considerado un artículo como viable y, en algunos casos, alucinar, es decir, crear información falsa o imprecisa.
Desde esta perspectiva, las técnicas de minería de texto, aprendizaje automático y agrupamiento son alternativas metodológicas viables para el análisis bibliométrico. Estas herramientas permiten identificar similitudes entre documentos, detectar patrones en grandes corpus textuales y construir agrupamientos temáticos a partir de criterios definidos por el propio investigador [8].
Por ejemplo, SWIFT-Review puede reconocer temas de interés dentro de un conjunto de documentos y jerarquizar los registros según su pertinencia potencial, lo que agiliza el proceso manual de selección de trabajos publicados a nivel mundial [9]. Sin embargo, este sistema también es un modelo de caja negra.
Por tanto, este trabajo conceptualizó, diseñó e implementó una herramienta de caja blanca capaz de emular las características de SWIFT-Review además de incorporar el contenido de los resúmenes (abstracts), lo que permite construir redes de correlación de conceptos temáticos más robustos respecto a las plataformas que se basan únicamente en coincidencias textuales.
Como caso de estudio se eligió la sarcopenia como uno de los síndromes que afectan la funcionalidad y la calidad de vida. La sarcopenia se define como la pérdida gradual de masa y fuerza muscular [10]. Tradicionalmente, la sarcopenia se ha asociado con el envejecimiento y con enfermedades crónicas como la diabetes mellitus tipo 2 y la hipertensión arterial. En todo el mundo, en los últimos diez años, ha aumentado el diagnóstico de estas enfermedades en personas jóvenes [11]. Esto ha generado mayor interés en comprender cómo ha cambiado el conocimiento científico sobre la sarcopenia y su posible aparición en grupos más jóvenes.
Métodos
Diseño de estudio
Se desarrolló un estudio metodológico de carácter exploratorio con el objetivo de diseñar una estrategia basada en minería de texto y aprendizaje automático para organizar temáticamente literatura científica de sarcopenia utilizando los criterios establecidos por el consenso EWGSOP2.
Población y muestra
Se exploró la literatura científica relacionada con la salud de las personas adultas mayores. La elección de este grupo etario se debe a que representa uno de los principales desafíos para los sistemas de salud, ya que se estima que para el año 2040 aproximadamente el 25% de la población mexicana estará conformada por personas de 60 años o más [12].
La población de estudio estuvo constituida por todos los registros bibliográficos de sarcopenia disponibles en la plataforma OpenAlex durante el periodo comprendido entre el 1 de enero de 2000 y el 15 de agosto de 2025, realizado por alguna institución académica mexicana.
Variables
La estrategia de búsqueda recuperó inicialmente 833.333 registros bibliográficos, integrados por artículos científicos, revisiones, capítulos de libro, libros, editoriales, cartas al editor y otros documentos académicos. Las variables recuperadas se agruparon en dos categorías: metadatos e indicadores bibliométricos.
Metadatos: incluyeron el título, las palabras clave, el resumen, el ISSN, el año de publicación y los autores. El título, las palabras clave y el resumen se integraron en un único corpus textual para el análisis semántico, mientras que el ISSN se utilizó para verificar la calidad de las publicaciones mediante su comparación con la base de datos SCImago Journal Rank (SJR).
Indicadores bibliométricos: conformado por el tipo de documento, el cuartil de la revista, SJR, el número de citas, el año de publicación y el volumen de publicaciones por agrupación temática. Estos indicadores permitieron caracterizar las líneas de investigación identificadas mediante aprendizaje automático.
Análisis estadístico
Se utilizó la plataforma Google Colab para procesar el corpus y construir una base de datos en PostgreSQL [13]. El procesamiento y análisis de la información se realizó mediante cinco etapas:
- Estandarización del corpus, consistente en la conversión de todos los textos a minúsculas y la eliminación de acentos, caracteres especiales y espacios redundantes, con el fin de homogeneizar la información textual.
- Filtro de falsos positivos, mediante el cual se evaluó la fuerza de asociación de cada registro con el consenso EWGSOP2 para distinguir si la sarcopenia era abordada como tema central, tema relacionado o únicamente como contexto.
- Análisis semántico, empleando la técnica TF-IDF para identificar los términos más representativos de cada documento y estimar la similitud entre los registros del corpus.
- Identificación de ejes temáticos, utilizando UMAP para representar la proximidad semántica entre los documentos y HDBSCAN para detectar automáticamente agrupaciones temáticas (Tabla 1) sin definir previamente el número de categorías asociadas al consenso de EWGSOP2 [14].
- Caracterización bibliométrica, mediante la construcción de una línea de tiempo temática utilizando los 30 artículos con mayor número de citas de cada eje temático, así como el cálculo del año promedio de publicación, el promedio de citas, el factor de impacto y el volumen de publicaciones por agrupación.
Consideraciones éticas
El presente estudio utilizó exclusivamente registros bibliográficos de acceso público recuperados de la plataforma OpenAlex. No se analizaron datos personales, información clínica individual ni participaron seres humanos o animales en la investigación. En consecuencia, el estudio no requirió la aprobación de un comité de ética ni la obtención de consentimiento informado.
Resultados
La búsqueda inicial en la plataforma OpenAlex recuperó 833.333 registros. Como primer filtro de calidad, se descartó el 8,6% de los documentos por carecer de información bibliográfica esencial, como el ISSN, el título, las palabras clave o el resumen. Posteriormente, los registros restantes fueron cotejados con la base de datos SJR, identificándose que el 8,7% correspondía a publicaciones sin indicadores de calidad verificables, por lo que también fueron excluidos del análisis.
Finalmente, el 98% de los documentos guardados coincidió con los criterios semánticos que se usaron para identificar investigaciones sobre sarcopenia. Así se formó el grupo de documentos que se usó para los análisis posteriores.
Los registros que acreditaron los criterios de inclusión fueron alrededor de 740.000 documentos. Fueron categorizados en 661.423 artículos, 31.892 capítulos de libro, 19.757 trabajos de revisión, 12.933 artículos sometidos de libre acceso, 3.646 bases de datos, 3.617 cartas al editor, 1.946 editoriales, 1.502 libros, 1.099 correcciones de artículos (fe de erratas) y 1.590 documentos diversos.
La siguiente etapa consistió en identificar, mediante el análisis de falsos positivos, si se mencionó el tema de sarcopenia de forma directa, para establecer un contexto, o solo como un ejemplo dentro del documento de relación entre los registros. La Figura 1 muestra un diagrama de Sankey de dichas relaciones.
La Figura 1 presenta la clasificación de los documentos antes y después de aplicar el filtro de falsos positivos. Se observa que los artículos considerados directos no cambiaron, mientras que las categorías probable, relación fuerte y relación de apoyo fueron cambiadas según la evidencia temática encontrada. Como resultado, algunos documentos cambiaron de categoría y aquellos con menor consistencia temática fueron clasificados como no identificados.
La siguiente etapa fue el procesamiento de los registros mediante el algoritmo TF-IDF, donde se establecieron los niveles de intensidad, la temática y el enfoque de la investigación. La Tabla 2 muestra un concentrado de los ejes temáticos y patrones detectados.
La Tabla 2 muestra los principales ejes temáticos identificados en la literatura sobre sarcopenia y el nivel de desarrollo de cada uno de ellos. Se observa que las investigaciones relacionadas con la evaluación y el diagnóstico de la sarcopenia, así como los temas de funcionalidad, la fragilidad y la vida diaria, representan una producción científica constante y una base sólida de conocimiento. Por otro lado, los estudios sobre las enfermedades metabólicas y crónicas, así como los aspectos biológicos y modelos de experimentación, están mostrando un mayor interés en entender cómo funcionan estas enfermedades y su relación con otros problemas de salud. Finalmente, temas como el cáncer, la caquexia y el soporte nutricional, junto con las enfermedades inflamatorias y autoinmunes, son áreas donde hay posibilidades de aumentar el conocimiento científico sobre la sarcopenia.
Identificados los 6 ejes temáticos de la Tabla 2, se construyó una línea de tiempo de correlación que permite identificar los 30 artículos con mayor cantidad de citas. En la Figura 2 se representa; el tamaño de cada nodo corresponde al tamaño de citas recibidas del eje temático, mientras que el color de los nodos corresponde al eje temático.
La Figura 2 muestra la relación entre los seis ejes temáticos identificados. El eje correspondiente a enfermedades inflamatorias y autoinmunes no estuvo representado entre los 30 artículos más citados. Sin embargo, este tema mantiene vínculos con áreas temáticas de cáncer, comorbilidades, evaluación y diagnóstico de la sarcopenia, así como funcionalidad y fragilidad, por lo que representa una línea con potencial para futuras investigaciones. Se observa una constante presencia de estudios sobre la evaluación y diagnóstico de la sarcopenia con el tiempo, mientras que el análisis de comorbilidades metabólicas y crónicas aparece menos a menudo, aunque sigue teniendo una participación constante en la red. Finalmente, los temas relacionados con la funcionalidad, la fragilidad y la vida cotidiana muestran una conexión indirecta pero importante con la sarcopenia. Esto se debe a que la pérdida de fuerza y masa muscular puede hacer que se pierda autonomía y se afecte el funcionamiento diario.
Discusión
La incorporación de un filtro de falsos positivos permitió mejorar la precisión de la clasificación temática y disminuir la inclusión de documentos con relaciones incidentales. Por ejemplo, hay una conexión clara entre la sarcopenia y la fragilidad. Esto representa un reto al buscar información en la literatura científica, porque muchos estudios tratan ambos síndromes juntos, sin que la sarcopenia sea siempre el foco principal de la investigación [15].
Al incluir criterios semánticos, se vio que esto ayudó a asegurar que los documentos seleccionados enfocaran la sarcopenia como el tema principal y no solo como una mención menor o casual. Por ejemplo, Xiao et al. [16] realizaron un análisis bibliométrico de artículos y revisiones que incluían el término «sarcopenia» en el título, obtenidos de la Web of Science Core Collection desde 1999 hasta 2021. A partir del análisis de palabras clave y referencias, identificaron cuatro dominios principales de investigación: definición y diagnóstico, epidemiología, etiología y patogénesis, y tratamientos. No obstante, estos términos no son consistentes con los establecidos por la EWGSOP2.
El empleo conjunto de las técnicas TF-IDF, UMAP y HDBSCAN permitió organizar el conocimiento científico en seis ejes temáticos sin establecer previamente categorías rígidas, que permitió observar que la investigación sobre sarcopenia no se concentra en una única disciplina, sino que se distribuye entre diferentes áreas del conocimiento que mantienen distintos niveles de interacción. Por otro lado, Koca (2023) [17] revisó 12.461 registros en JCR entre 2018 y 2023 relacionados con la sarcopenia. También identificó las áreas temáticas basándose en las categorías y temas de citación que ya había definido Web of Science en lugar de EWGSOP2.
Conclusiones
Esta propuesta exploratoria mostró que se pueden organizar automáticamente grandes cantidades de literatura científica utilizando técnicas de procesamiento de texto y aprendizaje automático, registrando los criterios utilizados para clasificar cada documento.
Los resultados sugieren que la búsqueda de literatura científica no puede limitarse únicamente a la coincidencia de palabras clave. Con frecuencia, un artículo menciona la sarcopenia o alguno de sus componentes diagnósticos, sin que este síndrome constituya el objetivo principal de la investigación.
Aunque este trabajo utilizó la sarcopenia como ejemplo de aplicación, la metodología puede adaptarse a cualquier área biomédica mediante la incorporación de nuevos diccionarios semánticos. De esta manera, constituye una herramienta de inteligencia artificial explicable que facilita la exploración del conocimiento científico, apoya la actualización del estado del arte y favorece la identificación de oportunidades de investigación en campos con un crecimiento acelerado de publicaciones.
Anexos
Referencias
- Herrera-Horta GA, Gutiérrez-García Z. Bibliometría y cienciometría, conocimiento y práctica indispensables para los estudiantes de ciencias médicas. Univ Med Pinareña. 2024;20:e1021. Disponible en: https://doi.org/10.56294/cid202388
- Alvarado-Carrasco E, Aguilera-Zapata J. Congresos virtuales: una nueva realidad, producto de la pandemia COVID-19. Rev Med Chil. 2020;148(10):1527-1528. Disponible en: https://doi.org/10.4067/s0034-98872020001001527
- Ioannidis JPA, Pezzullo AM, Boccia S. The rapid growth of mega-journals: threats and opportunities-Reply. JAMA. 2023;329(15):1253-1254. Disponible en: https://doi.org/10.1001/jama.2023.10780
- Smith R. The trouble with medical journals. Boca Raton (FL): CRC Press; 2024. Disponible en: https://doi.org/10.1201/9781003579748
- Walters WH. Comparing conventional and alternative mechanisms of discovering and accessing the scientific literature. Proc Natl Acad Sci U S A. 2025;122(27):e2503051122. Disponible en: https://doi.org/10.1073/pnas.2503051122
- Delgado-Quirós L, Ortega JL. Research entity information and coverage in eight free access scholarly databases. Online Inf Rev. 2025;49(6):1135-1153. Disponible en: https://doi.org/10.1108/oir-03-2024-0131/v1/review2
- Giglio AD, Costa MUPD. Utilizing artificial intelligence to create narrative literature reviews. Einstein (Sao Paulo). 2026;24:eRW1165. Disponible en: https://doi.org/10.31744/einstein_journal/2026rw1165
- Abdelaziz A, Santos V, Dias MS. Machine learning techniques in the energy consumption of buildings: a systematic literature review using text mining and bibliometric analysis. Energies. 2021;14(22):7810. Disponible en: https://doi.org/10.3390/en14227810
- Baccouche BM, Shivkumar TE. Using SWIFT-Review as a new and robust tool for comprehensive systematic review. N M J Sci. 2020;54(1).
- Montero-Errasquín B, Cruz-Jentoft AJ. Sarcopenia. Medicine (Programa Form Med Contin Acred). 2022;13(62):3643-3648. Disponible en: https://doi.org/10.1016/j.med.2022.08.010
- Huerta-Valera N, Iruela-Martínez C, Tárraga-Marcos L, Tárraga-López PJ. Impacto de la hipertensión arterial en el desarrollo de enfermedades cardiovasculares. JONNPR. 2023;8(2):542-563. Disponible en: https://doi.org/10.19230/jonnpr.4806
- López Díaz AG, Jiménez Chaves LF. Envejecimiento demográfico en México: una mirada a su heterogeneidad estatal y municipal a partir de las nuevas proyecciones de la población. En: Consejo Nacional de Población. La situación demográfica de México 2024 [Internet]. Ciudad de México: CONAPO; 2024 [citado 2026 Jul 23]. Disponible en: Gobierno de México (CONAPO)
- Martins P, Tomé P, Wanzeller C, Sá F, Abbasi M. Comparing Oracle and PostgreSQL, performance and optimization. En: Rocha Á, Adeli H, Dzemyda G, Moreira F, Correia AMR, editores. Trends and Applications in Information Systems and Technologies. WorldCIST 2021. Advances in Intelligent Systems and Computing. Vol. 1366. Cham: Springer; 2021. p. 481-490. Disponible en: https://doi.org/10.1007/978-3-030-72651-5_46
- Anand A, Mohta S, Agarwal S, Sharma S, Gopi S, Gunjan D, et al. European Working Group on Sarcopenia in Older People (EWGSOP2) criteria with population-based skeletal muscle index best predicts mortality in Asians with cirrhosis. J Clin Exp Hepatol. 2022;12(1):52-60. Disponible en: https://doi.org/10.1016/j.jceh.2021.03.015
- Aliberti SM, Menini A, Sacco AM, Romano V, Di Martino A, Acampora V, et al. A pragmatic two-step screening algorithm for sarcopenia and frailty in community-dwelling older adults: a cross-sectional population-based study. Life (Basel). 2026;16(1):106. Disponible en: https://doi.org/10.3390/life16010106
- Xiao Y, Deng Z, Tan H, Jiang T, Chen Z. Bibliometric analysis of the knowledge base and future trends on sarcopenia from 1999-2021. Int J Environ Res Public Health. 2022;19(14):8866. Disponible en: https://doi.org/10.3390/ijerph19148866
- Koca TT. Bibliometric analysis of «sarcopenia» in Web of Science. Egypt Rheumatol Rehabil. 2023;50(1):26. Disponible en: https://doi.org/10.1186/s43166-023-00194-w
Sobre los autores
Santiago Arceo-Díaz. Universidad de Colima, Centro Universitario de Investigaciones Biomédicas, Colima, Col., México. ORCID: 0000-0002-7085-3653
Elena Elsa Bricio-Barrios. Tecnológico Nacional de México; Instituto Tecnológico de Colima, Departamento de Ciencias Básicas, Villa de Álvarez, Col., México. ORCID: 0000-0002-1260-9740
Xóchitl Trujillo-Trujillo. Universidad de Colima, Centro Universitario de Investigaciones Biomédicas, Colima, Col., México. ORCID: 0000-0001-8146-5667
Amalia Flores-Muñoz. Universidad de Colima, Dirección General de Tecnologías Informacionales, Colima, Col., México. ORCID: 0009-0004-1142-2775
Alejandro Gaspar-Flores. Universidad de Colima, Facultad de Ciencias, Colima, Col., México. ORCID: 0009-0004-1708-6389
Autor de correspondencia:
Santiago Arceo-Díaz @
Sobre el artículo
Fecha de recepción: 24 de julio de 2026
Fecha de aceptación: 13 de agosto de 2026
Fecha de publicación: 24 de agosto de 2026
DOI: https://doi.org/10.64396/v21-0185
Conflictos de interés: ninguno
Consentimiento informado: No aplicable.
Financiación: ninguna
Declaración ética: Los autores declaran que este trabajo se ha realizado de acuerdo con los principios éticos y las normas internacionales de investigación biomédica, respetando los criterios de confidencialidad, integridad científica y buenas prácticas editoriales.
Autoría y responsabilidad: Todos los autores declaran haber participado activamente en el desarrollo del trabajo, haber revisado y aprobado la versión final del manuscrito y asumir responsabilidad pública por su contenido, conforme a los criterios internacionales de autoría.