Process / pipeline

Εξόρυξη Κλινικών Κειμένων — Εξαγωγή Πληροφοριών με Κλινική Επεξεργασία Φυσικής Γλώσσας

Η εξόρυξη κλινικών κειμένων είναι ένας εξειδικευμένος κλάδος της επεξεργασίας φυσικής γλώσσας που εξάγει δομημένα κλινικά γεγονότα — διαγνώσεις, συμπτώματα, φάρμακα, θεραπείες και κωδικούς ICD — από μη δομημένα έγγραφα υγειονομικής περίθαλψης, όπως περιλήψεις εξιτηρίου, σημειώσεις προόδου και ακτινολογικές εκθέσεις. Βασιζόμενη σε μοντέλα βιοϊατρικής ΕΦΓ όπως το BioBERT (Lee et al., 2020) και τα κριτήρια κοινών εργασιών i2b2/UTHealth (Stubbs & Uzuner, 2015), μετατρέπει ελεύθερα κλινικά αφηγήματα σε μηχανικά αναγνώσιμα δεδομένα, κατάλληλα για υποστήριξη κλινικών αποφάσεων και ανάλυση δεδομένων υγείας.

Άνοιγμα στο MethodMindΣύντομαΒίντεοΣύντομαDownload slides

Διαβάστε ολόκληρη τη μέθοδο

Μόνο για μέλη

Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.

Σύνδεση

Method map

The neighbourhood of related methods — select a node to explore.

Πηγές

  1. Lee, J., Yoon, W., Kim, S., Kim, D., Kim, S., So, C. H., & Kang, J. (2020). BioBERT: a pre-trained biomedical language representation model for biomedical text mining. Bioinformatics, 36(4), 1234–1240. DOI: 10.1093/bioinformatics/btz682
  2. Stubbs, A. & Uzuner, Ö. (2015). Annotating risk factors for heart disease in clinical narratives for the 2014 i2b2/UTHealth shared task. Journal of the American Medical Informatics Association, 22(e1), e30–e39. link

Πώς να παραπέμψετε σε αυτή τη σελίδα

ScholarGate. (2026, June 1). Clinical Text Mining (Clinical NLP Information Extraction). ScholarGate. https://scholargate.app/el/text-mining/clinical-text-mining

Which method?

Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.

Compare side by side

Αναφέρεται από

ScholarGateClinical Text Mining (Clinical Text Mining (Clinical NLP Information Extraction)). Ανακτήθηκε στις 2026-06-15 από https://scholargate.app/el/text-mining/clinical-text-mining · Σύνολο δεδομένων: https://doi.org/10.5281/zenodo.20539026