Generating Readable Spanish Clinical Narratives from Structured Electronic Health Records with Multi-Agent LLMs

• Autores: Mikel Idoyaga Bazán, Ane G. Domingo Aldama, Aitziber Atutxa Salazar , Josu Goikoetxea Salutregi, Ander Barrena Madinabeitia
• Localización: Procesamiento del lenguaje natural, ISSN 1135-5948, Nº. 77, 2026 (Ejemplar dedicado a: Procesamiento del Lenguaje Natural, Revista nº 77, septiembre de 2026), págs. 125-138
• Idioma: inglés
• Títulos paralelos:
  • Generación mediante LLMs Multiagente de Narrativas Clínicas Legibles en Español a partir de Registros Electrónicos de Salud Estructurados
• Enlaces
  • Texto completo
• Resumen
  • español

    Los Registros Electrónicos de Salud (RES) proporcionan historiales digitales longitudinales e interoperables de los eventos médicos de los pacientes en diversos entornos sanitarios. Sin embargo, la gran cantidad de datos estructurados y su formato tabular a menudo complican la síntesis de una visión clínica clara.

    El objetivo principal de este trabajo es generar narrativas clínicas coherentes en español que resuman la trayectoria del paciente, haciéndola más interpretable para los clínicos y más fácil de integrar en los flujos de trabajo de decisión clínica. Proponemos un flujo de trabajo multi-agente en el que agentes especializados basados en modelos de lenguaje de gran tamaño (LLM) transforman distintas variables clínicas estructuradas en una narrativa unificada. Comparamos tres modelos con diferentes grados de especialización de dominio y lenguaje: MedGemma-27B, Marmoka-es+it y LLaMA 3.1. El rendimiento se evalúa mediante un marco dual que combina la anotación manual experta con un enfoque de “LLM-como-juez”. Nuestros resultados destacan el papel crítico de la adaptación al dominio y al lenguaje en la generación de narrativas clínicas, al tiempo que abordan la falta de recursos especializados para narrativas clínicas en español.

  • English

    Electronic Health Records (EHRs) provide longitudinal, interoperable digital histories of patient medical events across healthcare settings. However, the vast quantity of structured data and its tabular format often complicate the synthesis of a clear clinical overview. The primary objective of this work is to generate coherent Spanish clinical narratives that summarize patient trajectories, improving interpretability for clinicians and integration into decision workflows. We propose a multi-agent architecture where specialized Large Language Model (LLM) agents transform distinct clinical structured variables into a unified narrative. We compare three models with varying domain and language specialization: MedGemma-27B, Marmoka-es+it, and LLaMA 3.1. Performance is assessed through a dual evaluation framework combining expert manual annotation with an LLM-as-a-judge approach. Our results highlight the critical role of domain and language adaptation in clinical narrative generation while addressing the lack of specialized resources for Spanish clinical narratives.

• Referencias bibliográficas
  • AI@Meta. 2024. Llama 3.1 model card.
  • Alzubi, A. A., V. J. Watzlaf, and P. Sheridan. 2021. Electronic health record (ehr) abstraction. Perspectives in health information management...
  • Belz, A., S. Mille, and C. Thomson. 2025. The qcet taxonomy of standard quality criterion names and definitions for the evaluation of nlp...
  • Contreras, M., S. Kapoor, J. Zhang, A. Davidson, Y. Ren, Z. Guan, T. Ozrazgat-Baslanti, J. Sena, S. Nerella, A. Bihorac, et al.. 2025. A large...
  • Domingo-Aldama, A. G., I. De La Iglesia, M. Urruela, A. Atutxa, and A. Barrena. 2026. To adapt or not to adapt: Rethinking the value of medical...
  • Falis, M., A. P. Gema, H. Dong, L. Daines, S. Basetti, M. Holder, R. S. Penfold, A. Birch, and B. Alex. 2024. Can gpt-3.5 generate and code...
  • Ganzinger, M., N. Kunz, P. Fuchs, C. K. Lyu, M. Loos, M. Dugas, and T. M. Pausch. 2025. Automated generation of discharge summaries: leveraging...
  • Google. 2025. Medgemma technical report.
  • Holmes, J. H., J. Beinlich, M. R. Boland, K. H. Bowles, Y. Chen, T. S. Cook, G. Demiris, M. Draugelis, L. Fluharty, P. E. Gabriel, et al.....
  • Kruse, M., S. Hu, N. Derby, Y. Wu, S. Stonbraker, B. Yao, D.Wang, E. Goldberg, and Y. Gao. 2025. Zero-shot large language models for long...
  • Lee, S. A., S. Jain, A. Chen, K. Ono, A. Biswas, ´A. Rudas, J. Fang, and J. N. Chiang. 2025. Clinical decision support using pseudo-notes...
  • Li, W., H. Feng, C. Hu, et al.. 2026. Accurate discharge summary generation using fine tuned large language models with self evaluation. Scientific...
  • Lin, C.-Y.. 2004. Rouge: A package for automatic evaluation of summaries. In Text summarization branches out, pages 74–81.
  • OpenAI. 2025. gpt-oss-120b gpt-oss-20b model card.
  • Papineni, K., S. Roukos, T. Ward, and W.-J. Zhu. 2002. Bleu: a method for automatic evaluation of machine translation. In Proceedings of the...
  • Team, Q.. 2025. Qwen3 technical report.
  • Vasilev, Y., I. Raznitsyna, A. Pamova, T. Burtsev, T. Bobrovskaya, P. Kosov, A. Vladzymyrskyy, O. Omelyanskaya, and K. Arzamasov. 2025. Evaluating...
  • Wei, H., S. He, T. Xia, F. Liu, A. Wong, J. Lin, and M. Han. 2024. Systematic evaluation of llm-as-a-judge in llm alignment tasks: Explainable...
  • Woo, B. F. Y., K. Cato, H. Cho, S. B. You, and J. Song. 2025. The use of large language models in clinical documentation: A scoping review....