Autor principal: Santiago Arceo-D\u00edaz<\/p>\n
Vol. XXI; n\u00ba 16; 185<\/p>\n
<\/p>\n
ART\u00cdCULO ORIGINAL<\/strong><\/p>\n Organizaci\u00f3n tem\u00e1tica de la literatura cient\u00edfica mediante miner\u00eda de texto: aplicaci\u00f3n en sarcopenia<\/strong><\/p>\n Thematic organization of the scientific literature using text mining: an application to sarcopenia<\/em><\/strong><\/p>\n Santiago Arceo-D\u00edaz, Elena Elsa Bricio-Barrios, X\u00f3chitl Trujillo-Trujillo, Amalia Flores-Mu\u00f1oz, Alejandro Gaspar-Flores<\/p>\n Incluido en Revista Electr\u00f3nica de PortalesMedicos.com, Volumen XXI. N\u00famero 16 \u2013 Segunda quincena de Agosto de 2026<\/a> \u2013 P\u00e1gina inicial: Vol. XXI; n\u00ba 16; 185 \u2013 DOI: https:\/\/doi.org\/10.64396\/v21-0185<\/a> \u2013 C\u00f3mo citar este art\u00edculo<\/a><\/em><\/p>\n Sobre los autores<\/a> | Sobre el art\u00edculo<\/a> | Referencias<\/a> | Anexos<\/a><\/p>\n Objetivo: El crecimiento acelerado de la literatura cient\u00edfica ha superado la capacidad de realizar revisiones exhaustivas mediante b\u00fasquedas convencionales. Este trabajo desarroll\u00f3 una metodolog\u00eda basada en miner\u00eda de texto y aprendizaje autom\u00e1tico para organizar tem\u00e1ticamente la literatura cient\u00edfica a partir de criterios establecidos por consensos internacionales, utilizando la sarcopenia como modelo de validaci\u00f3n.<\/p>\n M\u00e9todos: Se recuperaron 833.333 registros bibliogr\u00e1ficos de OpenAlex correspondientes al periodo 2000\u20132025. Los documentos fueron depurados mediante criterios de calidad bibliogr\u00e1fica y tipo documental, posteriormente clasificados de acuerdo con la fuerza de asociaci\u00f3n 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 t\u00e9cnicas de aprendizaje autom\u00e1tico se identificaron los ejes tem\u00e1ticos de los 30 art\u00edculos m\u00e1s citados de cada tem\u00e1tica.<\/p>\n Resultados: El 93% de los registros recuperados correspondi\u00f3 a publicaciones cient\u00edficas formales. La clasificaci\u00f3n basada en el consenso EWGSOP2 y la incorporaci\u00f3n de un filtro de falsos positivos mejoraron la identificaci\u00f3n de documentos directamente relacionados con la sarcopenia. El aprendizaje autom\u00e1tico permiti\u00f3 identificar seis ejes tem\u00e1ticos principales, caracterizar su evoluci\u00f3n temporal y establecer las conexiones entre las principales l\u00edneas de investigaci\u00f3n.<\/p>\n Conclusiones: La metodolog\u00eda propuesta permiti\u00f3 organizar y clasificar la literatura cient\u00edfica sobre sarcopenia utilizando criterios establecidos por el consenso EWGSOP2. La integraci\u00f3n de consensos internacionales con t\u00e9cnicas de miner\u00eda de texto y aprendizaje autom\u00e1tico constituye una estrategia transparente y reproducible que puede extenderse al an\u00e1lisis tem\u00e1tico de otras \u00e1reas de las ciencias de la salud.<\/p>\n Sarcopenia; Aprendizaje Autom\u00e1tico; Procesamiento del Lenguaje Natural; Recuperaci\u00f3n de la Informaci\u00f3n; Revisi\u00f3n de la Literatura.<\/p>\n 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.<\/p>\n 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.<\/p>\n 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.<\/p>\n 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.<\/p>\n Sarcopenia; Machine Learning; Natural Language Processing; Information Retrieval; Literature Review.<\/p>\n El conocimiento sobre una enfermedad no es est\u00e1tico, sino din\u00e1mico y acumulativo. A medida que se genera nueva evidencia cl\u00ednica, epidemiol\u00f3gica y biol\u00f3gica, los criterios diagn\u00f3sticos, las formas de clasificaci\u00f3n y la comprensi\u00f3n de un padecimiento tienden a modificarse. Por tanto, es esencial la constante actualizaci\u00f3n de la literatura cient\u00edfica asociada directa e indirectamente [1].<\/p>\n Por muchos a\u00f1os, esta actualizaci\u00f3n del conocimiento fue manejable mediante la asistencia a conferencias, talleres y simposios donde se re\u00fanen especialistas de la salud que presentan sus resultados ante sus pares [2]. Con el avance tecnol\u00f3gico, este proceso pas\u00f3 a la consulta de publicaciones f\u00edsicas y posteriormente en l\u00ednea [3]. Sin embargo, en la actualidad, la tasa de producci\u00f3n ha incrementado considerablemente, al punto de que dificulta realizar manualmente [4].<\/p>\n Ante este desaf\u00edo, se han creado plataformas que facilitan la recuperaci\u00f3n de literatura abierta mediante b\u00fasquedas textuales y metadatos, como OpenAlex, Google Scholar y ResearchGate. Estas plataformas permiten a los usuarios acceder a los art\u00edculos de forma gratuita ingresando manualmente palabras que pueden estar en el t\u00edtulo, en las palabras clave o en el nombre del autor [5]. No obstante, el \u00e9xito de este rastreo depender\u00e1 de la creatividad y la experiencia de la persona usuaria [6].<\/p>\n 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 m\u00e1s r\u00e1pida de la informaci\u00f3n [7]. No obstante, estas plataformas de caja negra no permiten conocer los criterios de inclusi\u00f3n para ser considerado un art\u00edculo como viable y, en algunos casos, alucinar, es decir, crear informaci\u00f3n falsa o imprecisa.<\/p>\n Desde esta perspectiva, las t\u00e9cnicas de miner\u00eda de texto, aprendizaje autom\u00e1tico y agrupamiento son alternativas metodol\u00f3gicas viables para el an\u00e1lisis bibliom\u00e9trico. Estas herramientas permiten identificar similitudes entre documentos, detectar patrones en grandes corpus textuales y construir agrupamientos tem\u00e1ticos a partir de criterios definidos por el propio investigador [8].<\/p>\n Por ejemplo, SWIFT-Review puede reconocer temas de inter\u00e9s dentro de un conjunto de documentos y jerarquizar los registros seg\u00fan su pertinencia potencial, lo que agiliza el proceso manual de selecci\u00f3n de trabajos publicados a nivel mundial [9]. Sin embargo, este sistema tambi\u00e9n es un modelo de caja negra.<\/p>\n Por tanto, este trabajo conceptualiz\u00f3, dise\u00f1\u00f3 e implement\u00f3 una herramienta de caja blanca capaz de emular las caracter\u00edsticas de SWIFT-Review adem\u00e1s de incorporar el contenido de los res\u00famenes (abstracts), lo que permite construir redes de correlaci\u00f3n de conceptos tem\u00e1ticos m\u00e1s robustos respecto a las plataformas que se basan \u00fanicamente en coincidencias textuales.<\/p>\n Como caso de estudio se eligi\u00f3 la sarcopenia como uno de los s\u00edndromes que afectan la funcionalidad y la calidad de vida. La sarcopenia se define como la p\u00e9rdida gradual de masa y fuerza muscular [10]. Tradicionalmente, la sarcopenia se ha asociado con el envejecimiento y con enfermedades cr\u00f3nicas como la diabetes mellitus tipo 2 y la hipertensi\u00f3n arterial. En todo el mundo, en los \u00faltimos diez a\u00f1os, ha aumentado el diagn\u00f3stico de estas enfermedades en personas j\u00f3venes [11]. Esto ha generado mayor inter\u00e9s en comprender c\u00f3mo ha cambiado el conocimiento cient\u00edfico sobre la sarcopenia y su posible aparici\u00f3n en grupos m\u00e1s j\u00f3venes.<\/p>\n Se desarroll\u00f3 un estudio metodol\u00f3gico de car\u00e1cter exploratorio con el objetivo de dise\u00f1ar una estrategia basada en miner\u00eda de texto y aprendizaje autom\u00e1tico para organizar tem\u00e1ticamente literatura cient\u00edfica de sarcopenia utilizando los criterios establecidos por el consenso EWGSOP2.<\/p>\n Se explor\u00f3 la literatura cient\u00edfica relacionada con la salud de las personas adultas mayores. La elecci\u00f3n de este grupo etario se debe a que representa uno de los principales desaf\u00edos para los sistemas de salud, ya que se estima que para el a\u00f1o 2040 aproximadamente el 25% de la poblaci\u00f3n mexicana estar\u00e1 conformada por personas de 60 a\u00f1os o m\u00e1s [12].<\/p>\n La poblaci\u00f3n de estudio estuvo constituida por todos los registros bibliogr\u00e1ficos 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 instituci\u00f3n acad\u00e9mica mexicana.<\/p>\n La estrategia de b\u00fasqueda recuper\u00f3 inicialmente 833.333 registros bibliogr\u00e1ficos, integrados por art\u00edculos cient\u00edficos, revisiones, cap\u00edtulos de libro, libros, editoriales, cartas al editor y otros documentos acad\u00e9micos. Las variables recuperadas se agruparon en dos categor\u00edas: metadatos e indicadores bibliom\u00e9tricos.<\/p>\n Metadatos: incluyeron el t\u00edtulo, las palabras clave, el resumen, el ISSN, el a\u00f1o de publicaci\u00f3n y los autores. El t\u00edtulo, las palabras clave y el resumen se integraron en un \u00fanico corpus textual para el an\u00e1lisis sem\u00e1ntico, mientras que el ISSN se utiliz\u00f3 para verificar la calidad de las publicaciones mediante su comparaci\u00f3n con la base de datos SCImago Journal Rank (SJR).<\/p>\n Indicadores bibliom\u00e9tricos: conformado por el tipo de documento, el cuartil de la revista, SJR, el n\u00famero de citas, el a\u00f1o de publicaci\u00f3n y el volumen de publicaciones por agrupaci\u00f3n tem\u00e1tica. Estos indicadores permitieron caracterizar las l\u00edneas de investigaci\u00f3n identificadas mediante aprendizaje autom\u00e1tico.<\/p>\n Se utiliz\u00f3 la plataforma Google Colab para procesar el corpus y construir una base de datos en PostgreSQL [13]. El procesamiento y an\u00e1lisis de la informaci\u00f3n se realiz\u00f3 mediante cinco etapas:<\/p>\n El presente estudio utiliz\u00f3 exclusivamente registros bibliogr\u00e1ficos de acceso p\u00fablico recuperados de la plataforma OpenAlex. No se analizaron datos personales, informaci\u00f3n cl\u00ednica individual ni participaron seres humanos o animales en la investigaci\u00f3n. En consecuencia, el estudio no requiri\u00f3 la aprobaci\u00f3n de un comit\u00e9 de \u00e9tica ni la obtenci\u00f3n de consentimiento informado.<\/p>\n La b\u00fasqueda inicial en la plataforma OpenAlex recuper\u00f3 833.333 registros. Como primer filtro de calidad, se descart\u00f3 el 8,6% de los documentos por carecer de informaci\u00f3n bibliogr\u00e1fica esencial, como el ISSN, el t\u00edtulo, las palabras clave o el resumen. Posteriormente, los registros restantes fueron cotejados con la base de datos SJR, identific\u00e1ndose que el 8,7% correspond\u00eda a publicaciones sin indicadores de calidad verificables, por lo que tambi\u00e9n fueron excluidos del an\u00e1lisis.<\/p>\n Finalmente, el 98% de los documentos guardados coincidi\u00f3 con los criterios sem\u00e1nticos que se usaron para identificar investigaciones sobre sarcopenia. As\u00ed se form\u00f3 el grupo de documentos que se us\u00f3 para los an\u00e1lisis posteriores.<\/p>\n Los registros que acreditaron los criterios de inclusi\u00f3n fueron alrededor de 740.000 documentos. Fueron categorizados en 661.423 art\u00edculos, 31.892 cap\u00edtulos de libro, 19.757 trabajos de revisi\u00f3n, 12.933 art\u00edculos sometidos de libre acceso, 3.646 bases de datos, 3.617 cartas al editor, 1.946 editoriales, 1.502 libros, 1.099 correcciones de art\u00edculos (fe de erratas) y 1.590 documentos diversos.<\/p>\n La siguiente etapa consisti\u00f3 en identificar, mediante el an\u00e1lisis de falsos positivos, si se mencion\u00f3 el tema de sarcopenia de forma directa, para establecer un contexto, o solo como un ejemplo dentro del documento de relaci\u00f3n entre los registros. La Figura 1 muestra un diagrama de Sankey de dichas relaciones.<\/p>\n La Figura 1 presenta la clasificaci\u00f3n de los documentos antes y despu\u00e9s de aplicar el filtro de falsos positivos. Se observa que los art\u00edculos considerados directos no cambiaron, mientras que las categor\u00edas probable, relaci\u00f3n fuerte y relaci\u00f3n de apoyo fueron cambiadas seg\u00fan la evidencia tem\u00e1tica encontrada. Como resultado, algunos documentos cambiaron de categor\u00eda y aquellos con menor consistencia tem\u00e1tica fueron clasificados como no identificados.<\/p>\n La siguiente etapa fue el procesamiento de los registros mediante el algoritmo TF-IDF, donde se establecieron los niveles de intensidad, la tem\u00e1tica y el enfoque de la investigaci\u00f3n. La Tabla 2 muestra un concentrado de los ejes tem\u00e1ticos y patrones detectados.<\/p>\n La Tabla 2 muestra los principales ejes tem\u00e1ticos identificados en la literatura sobre sarcopenia y el nivel de desarrollo de cada uno de ellos. Se observa que las investigaciones relacionadas con la evaluaci\u00f3n y el diagn\u00f3stico de la sarcopenia, as\u00ed como los temas de funcionalidad, la fragilidad y la vida diaria, representan una producci\u00f3n cient\u00edfica constante y una base s\u00f3lida de conocimiento. Por otro lado, los estudios sobre las enfermedades metab\u00f3licas y cr\u00f3nicas, as\u00ed como los aspectos biol\u00f3gicos y modelos de experimentaci\u00f3n, est\u00e1n mostrando un mayor inter\u00e9s en entender c\u00f3mo funcionan estas enfermedades y su relaci\u00f3n con otros problemas de salud. Finalmente, temas como el c\u00e1ncer, la caquexia y el soporte nutricional, junto con las enfermedades inflamatorias y autoinmunes, son \u00e1reas donde hay posibilidades de aumentar el conocimiento cient\u00edfico sobre la sarcopenia.<\/p>\n Identificados los 6 ejes tem\u00e1ticos de la Tabla 2, se construy\u00f3 una l\u00ednea de tiempo de correlaci\u00f3n que permite identificar los 30 art\u00edculos con mayor cantidad de citas. En la Figura 2 se representa; el tama\u00f1o de cada nodo corresponde al tama\u00f1o de citas recibidas del eje tem\u00e1tico, mientras que el color de los nodos corresponde al eje tem\u00e1tico.<\/p>\n La Figura 2 muestra la relaci\u00f3n entre los seis ejes tem\u00e1ticos identificados. El eje correspondiente a enfermedades inflamatorias y autoinmunes no estuvo representado entre los 30 art\u00edculos m\u00e1s citados. Sin embargo, este tema mantiene v\u00ednculos con \u00e1reas tem\u00e1ticas de c\u00e1ncer, comorbilidades, evaluaci\u00f3n y diagn\u00f3stico de la sarcopenia, as\u00ed como funcionalidad y fragilidad, por lo que representa una l\u00ednea con potencial para futuras investigaciones. Se observa una constante presencia de estudios sobre la evaluaci\u00f3n y diagn\u00f3stico de la sarcopenia con el tiempo, mientras que el an\u00e1lisis de comorbilidades metab\u00f3licas y cr\u00f3nicas aparece menos a menudo, aunque sigue teniendo una participaci\u00f3n constante en la red. Finalmente, los temas relacionados con la funcionalidad, la fragilidad y la vida cotidiana muestran una conexi\u00f3n indirecta pero importante con la sarcopenia. Esto se debe a que la p\u00e9rdida de fuerza y masa muscular puede hacer que se pierda autonom\u00eda y se afecte el funcionamiento diario.<\/p>\n La incorporaci\u00f3n de un filtro de falsos positivos permiti\u00f3 mejorar la precisi\u00f3n de la clasificaci\u00f3n tem\u00e1tica y disminuir la inclusi\u00f3n de documentos con relaciones incidentales. Por ejemplo, hay una conexi\u00f3n clara entre la sarcopenia y la fragilidad. Esto representa un reto al buscar informaci\u00f3n en la literatura cient\u00edfica, porque muchos estudios tratan ambos s\u00edndromes juntos, sin que la sarcopenia sea siempre el foco principal de la investigaci\u00f3n [15].<\/p>\n Al incluir criterios sem\u00e1nticos, se vio que esto ayud\u00f3 a asegurar que los documentos seleccionados enfocaran la sarcopenia como el tema principal y no solo como una menci\u00f3n menor o casual. Por ejemplo, Xiao et al. [16] realizaron un an\u00e1lisis bibliom\u00e9trico de art\u00edculos y revisiones que inclu\u00edan el t\u00e9rmino \u00absarcopenia\u00bb en el t\u00edtulo, obtenidos de la Web of Science Core Collection desde 1999 hasta 2021. A partir del an\u00e1lisis de palabras clave y referencias, identificaron cuatro dominios principales de investigaci\u00f3n: definici\u00f3n y diagn\u00f3stico, epidemiolog\u00eda, etiolog\u00eda y patog\u00e9nesis, y tratamientos. No obstante, estos t\u00e9rminos no son consistentes con los establecidos por la EWGSOP2.<\/p>\n El empleo conjunto de las t\u00e9cnicas TF-IDF, UMAP y HDBSCAN permiti\u00f3 organizar el conocimiento cient\u00edfico en seis ejes tem\u00e1ticos sin establecer previamente categor\u00edas r\u00edgidas, que permiti\u00f3 observar que la investigaci\u00f3n sobre sarcopenia no se concentra en una \u00fanica disciplina, sino que se distribuye entre diferentes \u00e1reas del conocimiento que mantienen distintos niveles de interacci\u00f3n. Por otro lado, Koca (2023) [17] revis\u00f3 12.461 registros en JCR entre 2018 y 2023 relacionados con la sarcopenia. Tambi\u00e9n identific\u00f3 las \u00e1reas tem\u00e1ticas bas\u00e1ndose en las categor\u00edas y temas de citaci\u00f3n que ya hab\u00eda definido Web of Science en lugar de EWGSOP2.<\/p>\n Esta propuesta exploratoria mostr\u00f3 que se pueden organizar autom\u00e1ticamente grandes cantidades de literatura cient\u00edfica utilizando t\u00e9cnicas de procesamiento de texto y aprendizaje autom\u00e1tico, registrando los criterios utilizados para clasificar cada documento.<\/p>\n Los resultados sugieren que la b\u00fasqueda de literatura cient\u00edfica no puede limitarse \u00fanicamente a la coincidencia de palabras clave. Con frecuencia, un art\u00edculo menciona la sarcopenia o alguno de sus componentes diagn\u00f3sticos, sin que este s\u00edndrome constituya el objetivo principal de la investigaci\u00f3n.<\/p>\n Aunque este trabajo utiliz\u00f3 la sarcopenia como ejemplo de aplicaci\u00f3n, la metodolog\u00eda puede adaptarse a cualquier \u00e1rea biom\u00e9dica mediante la incorporaci\u00f3n de nuevos diccionarios sem\u00e1nticos. De esta manera, constituye una herramienta de inteligencia artificial explicable que facilita la exploraci\u00f3n del conocimiento cient\u00edfico, apoya la actualizaci\u00f3n del estado del arte y favorece la identificaci\u00f3n de oportunidades de investigaci\u00f3n en campos con un crecimiento acelerado de publicaciones.<\/p>\n Ver anexos<\/a><\/p>\n Santiago Arceo-D\u00edaz. Universidad de Colima, Centro Universitario de Investigaciones Biom\u00e9dicas, Colima, Col., M\u00e9xico. ORCID: 0000-0002-7085-3653<\/p>\n Elena Elsa Bricio-Barrios. Tecnol\u00f3gico Nacional de M\u00e9xico; Instituto Tecnol\u00f3gico de Colima, Departamento de Ciencias B\u00e1sicas, Villa de \u00c1lvarez, Col., M\u00e9xico. ORCID: 0000-0002-1260-9740<\/p>\n X\u00f3chitl Trujillo-Trujillo. Universidad de Colima, Centro Universitario de Investigaciones Biom\u00e9dicas, Colima, Col., M\u00e9xico. ORCID: 0000-0001-8146-5667<\/p>\n Amalia Flores-Mu\u00f1oz. Universidad de Colima, Direcci\u00f3n General de Tecnolog\u00edas Informacionales, Colima, Col., M\u00e9xico. ORCID: 0009-0004-1142-2775<\/p>\n Alejandro Gaspar-Flores. Universidad de Colima, Facultad de Ciencias, Colima, Col., M\u00e9xico. ORCID: 0009-0004-1708-6389<\/p>\n Autor de correspondencia:<\/strong><\/p>\n Santiago Arceo-D\u00edaz @<\/a><\/p>\nResumen<\/h2>\n
Palabras clave<\/h2>\n
Abstract:<\/h2>\n
Keywords:<\/h2>\n
Introducci\u00f3n<\/h2>\n
M\u00e9todos<\/h2>\n
Dise\u00f1o de estudio<\/h3>\n
Poblaci\u00f3n y muestra<\/h3>\n
Variables<\/h3>\n
An\u00e1lisis estad\u00edstico<\/h3>\n
\n
Consideraciones \u00e9ticas<\/h3>\n
Resultados<\/h2>\n
Discusi\u00f3n<\/h2>\n
Conclusiones<\/h2>\n
Anexos<\/h2>\n
Referencias<\/h2>\n
\n
Sobre los autores<\/h2>\n
Sobre el art\u00edculo<\/h2>\n