ScholarGate
Avustaja
Process / pipeline

Kliinisen tekstin louhinta – Kliininen NLP-tiedonpoiminta

Kliinisen tekstin louhinta on luonnollisen kielen käsittelyn (NLP) erikoistunut ala, joka poimii jäsenneltyjä kliinisiä faktoja – diagnooseja, oireita, lääkityksiä, hoitoja ja ICD-koodeja – jäsentymättömistä terveydenhuollon asiakirjoista, kuten potilaskertomuksista, edistymisraporteista ja radiologian lausunnoista. Se perustuu biolääketieteellisiin NLP-malleihin, kuten BioBERTiin (Lee et al., 2020) ja i2b2/UTHealthin jaettuihin tehtävävertailuarvoihin (Stubbs & Uzuner, 2015), ja muuntaa vapaamuotoiset kliiniset kertomukset koneellisesti luettavaksi dataksi, joka soveltuu kliiniseen päätöksentekoon ja terveysanalytiikkaan.

Avaa sovelluksessa MethodMindTulossaVideoTulossaDownload slides

Lue koko menetelmä

Vain jäsenille

Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.

Kirjaudu sisään

Method map

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

Lähteet

  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

Näin viittaat tähän sivuun

ScholarGate. (2026, June 1). Clinical Text Mining (Clinical NLP Information Extraction). ScholarGate. https://scholargate.app/fi/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

Tähän viittaavat

ScholarGateClinical Text Mining (Clinical Text Mining (Clinical NLP Information Extraction)). Haettu 2026-06-15 osoitteesta https://scholargate.app/fi/text-mining/clinical-text-mining · Aineisto: https://doi.org/10.5281/zenodo.20539026