Al abordar el papel crítico del contexto emocional en las conversaciones paciente-clínico, este estudio realizó un análisis exhaustivo de sentimientos utilizando BERT, RoBERTa, GPT-2 y XLNet. Nuestro conjunto de datos incluye 185 h de conversaciones en griego centradas en malignidades hematológicas. La metodología implicó la recopilación de datos, la anotación de datos, el entrenamiento del modelo y la evaluación del rendimiento utilizando métricas como precisión, recall, puntuación F1 y especificidad. BERT superó a los otros métodos en todas las categorías de sentimiento, demostrando su efectividad en capturar el contexto emocional en interacciones clínicas. RoBERTa mostró un buen rendimiento, especialmente en la identificación de sentimientos neutrales. GPT-2 mostró resultados prometedores en sentimientos neutrales pero exhibió una menor precisión y recall para los negativos. XLNet mostró un rendimiento moderado, con variaciones entre las categorías. En general, nuestros hallazgos resaltan las complejidades del análisis de sentimientos en contextos clínicos, especialmente en idiomas subrepresentados como el griego. Estas percepciones resaltan el potencial de modelos avanzados de aprendizaje profundo para mejorar la comunicación y la atención al paciente en entornos de atención médica. La integración del análisis de sentimientos en la atención médica podría proporcionar información sobre los estados emocionales de los pacientes, lo que resultaría en un apoyo más efectivo y empático para los pacientes. Nuestro estudio tiene como objetivo abordar la brecha y limitaciones del análisis de sentimientos en un contexto clínico griego, un área donde los recursos son escasos y su aplicación sigue siendo poco explorada.