La propagación de información errónea relacionada con la salud se ha convertido en un desafío global significativo, particularmente durante la pandemia de COVID-19. Este estudio presenta un marco integral para detectar y analizar la desinformación utilizando técnicas avanzadas de procesamiento de lenguaje natural. El modelo de clasificación propuesto combina incrustaciones BERT con una arquitectura Bi-LSTM y mecanismos de atención, logrando un alto rendimiento, incluyendo un 99.47% de precisión y un F1-score de 0.9947. Además de la clasificación, se emplea modelado de temas para identificar clústeres temáticos, proporcionando valiosos conocimientos sobre las narrativas de desinformación. Los hallazgos demuestran la efectividad y fiabilidad de la metodología propuesta para detectar desinformación, al tiempo que ofrece herramientas para comprender sus temas subyacentes. El enfoque adaptable y escalable lo hace aplicable a diversos dominios y conjuntos de datos. Esta investigación mejora la comunicación en salud pública y combate la desinformación en entornos digitales.