INTRODUCCIÓN. La exposición a información negativa o errónea sobre las vacunas es una de las causas del aumento de la duda vacunal en la última década. De hecho, según la Organización Mundial de la Salud, la reticencia vacunal fue una de las diez principales amenazas para la salud mundial en 2019. Por ello, es importante incluir la monitorización y análisis del contenido del discurso sobre vacunas en las redes sociales en el abordaje de la reticencia vacunal. Las técnicas automáticas posibilitan el acceso, el procesamiento y el análisis de la gran cantidad de datos extraídos de estas plataformas. MATERIAL Y MÉTODOS. Estudio retrospectivo de la opinión sobre las vacunas en Twitter entre el 1 de junio de 2011 y el 30 de abril de 2019. Mediante diversas librerías de Python, determinamos la geolocalización de los usuarios y realizamos un análisis semántico de los tuits. Clasificamos manualmente a los usuarios en “institucionales” o “no institucionales” y en “bots” o “no bots” con la herramienta Botometer. Entrenamos un algoritmo híbrido basado en léxico y máquinas de soporte vectorial para la clasificación de la polaridad de sentimiento de los tuits hacia las vacunas (negativo, positivo o neutro). Comparamos el rendimiento de nuestro algoritmo con el algoritmo VADER, no específico para la opinión sobre vacunas. Construimos un clasificador automático basado en diccionarios para la categorización de los tuits en temas no excluyentes. Realizamos el análisis estadístico mediante el paquete estadístico Statistical Package for Social Sciences (SPSS) para Windows versión 23.0. RESULTADOS. Analizamos 1 499 227 tuits de 278 858 usuarios. Geolocalizamos al 55,87% de los usuarios. El análisis semántico permitió obtener una visión preliminar de los temas más frecuentes en los tuits. Nuestro clasificador de la polaridad presentó un rendimiento alto, mayor que VADER. El 69,36% de los tuits eran neutros, el 21,78% positivos y el 8,86% negativos. Hubo una polarización del discurso a lo largo del estudio, con picos de tuits positivos cada abril. A mitad de semana, aumentó la proporción de tuits positivos y disminuyó la proporción de tuits negativos. Identificamos las polaridades por localizaciones y comparamos los parámetros de interacción social por polaridades. Los usuarios no institucionales publicaron más contenido negativo. La mayoría de los usuarios con varios tuits tuvo un discurso totalmente positivo, negativo o neutro. Describimos los temas más frecuentes según la polaridad de los tuits, el tipo de vacuna y el grupo de población diana de la vacunación. Evidenciamos correlaciones significativas en varios países entre: a) los tuits promotores de la vacuna VPH y las coberturas vacunales contra VPH, b) los tuits reticentes sobre la vacuna SRP y el número de casos de sarampión. CONCLUSIÓN. Es posible extraer, estructurar y analizar de forma rápida, económica y precisa, grandes cantidades de datos de las conversaciones en Twitter aplicando técnicas de inteligencia artificial. La información derivada de este tipo de análisis puede ser útil para mejorar las estrategias de salud pública destinadas a disminuir la duda vacunal.