Klinische tekstmining — Klinische NLP-informatie-extractie
Klinische tekstmining is een gespecialiseerd onderdeel van natuurlijke taalverwerking dat gestructureerde klinische feiten — diagnoses, symptomen, medicatie, behandelingen en ICD-codes — extraheert uit ongestructureerde zorgdocumenten zoals ontslagbrieven, voortgangsnotities en radiologieverslagen. Gebaseerd op biomedische NLP-modellen zoals BioBERT (Lee et al., 2020) en de i2b2/UTHealth shared-task benchmarks (Stubbs & Uzuner, 2015), converteert het vrije-tekst klinische narratieven naar machineleesbare gegevens die geschikt zijn voor klinische beslissingsondersteuning en gezondheidsanalyse.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 1). Clinical Text Mining (Clinical NLP Information Extraction). ScholarGate. https://scholargate.app/nl/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.
- InformatieverwervingText mining↔ compare
- Named Entity Recognition (NER)Text mining↔ compare
- Scientific Text MiningText mining↔ compare
- SentimentanalyseText mining↔ compare
- TekstclassificatieText mining↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →