استخراج اطلاعات در پردازش زبان طبیعی بالینی — متنکاوی بالینی
متنکاوی بالینی شاخهای تخصصی از پردازش زبان طبیعی است که حقایق بالینی ساختاریافته — تشخیصها، علائم، داروها، درمانها و کدهای ICD — را از اسناد مراقبتهای بهداشتی بدون ساختار مانند خلاصههای ترخیص، یادداشتهای پیشرفت و گزارشهای رادیولوژی استخراج میکند. این روش که بر پایه مدلهای پردازش زبان طبیعی زیستپزشکی مانند BioBERT (Lee et al., 2020) و معیارهای وظایف مشترک i2b2/UTHealth (Stubbs & Uzuner, 2015) بنا شده است، روایتهای متنی بالینی آزاد را به دادههای قابل خواندن توسط ماشین تبدیل میکند که برای پشتیبانی از تصمیمگیری بالینی و تحلیل سلامت مناسب هستند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
نقشهٔ روش
همسایگی روشهای مرتبط — برای کاوش، یک گره را برگزینید.
منابع
- 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 ↗
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 1). Clinical Text Mining (Clinical NLP Information Extraction). ScholarGate. https://scholargate.app/fa/text-mining/clinical-text-mining
کدام روش؟
این روش را در کنار نزدیکترین روشهای خویشاوندش بگذارید و آنها را کنار هم بخوانید — کتابخانه کتابها را روی میز میگشاید؛ انتخاب با شماست.
- استخراج اطلاعاتمتنکاوی↔ مقایسه
- بازشناسی موجودیت نامدار (NER)متنکاوی↔ مقایسه
- متنکاوی علمیمتنکاوی↔ مقایسه
- تحلیل احساساتمتنکاوی↔ مقایسه
- طبقهبندی متنمتنکاوی↔ مقایسه
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →