Esta investigación enfrenta el persistente desafío de la escasez de datos en el aprendizaje automático médico al introducir una metodología pionera que aprovecha las capacidades de los Transformadores Generativos Preentrenados (GPT). En respuesta a las limitaciones impuestas por la falta de datos médicos etiquetados, nuestro enfoque implica la generación sintética de mensajes de alta calidad sobre el alta de pacientes, estableciendo un nuevo estándar en el campo con GPT generando de manera autónoma 20 campos. A través de una revisión meticulosa de la literatura existente, exploramos sistemáticamente la aptitud de GPT para la generación de datos sintéticos y la extracción de características, proporcionando una base sólida para las fases posteriores de la investigación. La demostración empírica muestra el potencial transformador de nuestra solución propuesta, presentando más de 70 mensajes de alta de pacientes con campos generados sintéticamente, incluyendo la gravedad y las posibilidades de reingreso hospitalario con justificación. Además, los datos se han implementado en una solución móvil donde algoritmos de regresión identificaron de manera autónoma los factores correlacionados para determinar la gravedad de las condiciones de los pacientes. Este estudio no solo establece una metodología novedosa y completa, sino que también contribuye significativamente al aprendizaje automático médico, presentando los resúmenes de alta de pacientes más extensos reportados en la literatura. Los resultados subrayan la eficacia de GPT para superar los desafíos de escasez de datos y allanan el camino para futuras investigaciones que refinen y amplíen la aplicación de GPT en diversos contextos médicos.