ScholarGate
Asystent
Process / pipeline

Eksploracja Tekstu Klinicznego — Ekstrakcja Informacji z Klinicznego NLP

Eksploracja tekstu klinicznego to wyspecjalizowana gałąź przetwarzania języka naturalnego (NLP), która wydobywa ustrukturyzowane fakty kliniczne — diagnozy, objawy, leki, metody leczenia i kody ICD — z nieustrukturyzowanych dokumentów medycznych, takich jak podsumowania wypisów, notatki z przebiegu leczenia i raporty radiologiczne. Opierając się na biomedycznych modelach NLP, takich jak BioBERT (Lee i in., 2020) oraz benchmarkach zadań współdzielonych i2b2/UTHealth (Stubbs & Uzuner, 2015), przekształca narracje kliniczne w postaci swobodnego tekstu w dane czytelne maszynowo, odpowiednie do wspomagania decyzji klinicznych i analizy danych zdrowotnych.

Otwórz w MethodMindWkrótceWideoWkrótceDownload slides

Przeczytaj pełny opis metody

Tylko dla członków

Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.

Zaloguj się

Method map

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

Źródła

  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

Jak cytować tę stronę

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

Cytowana przez

ScholarGateClinical Text Mining (Clinical Text Mining (Clinical NLP Information Extraction)). Pobrano 2026-06-15 z https://scholargate.app/pl/text-mining/clinical-text-mining · Zbiór danych: https://doi.org/10.5281/zenodo.20539026