เปรียบเทียบวิธี
ดูวิธีที่เลือกเทียบกันแบบเคียงข้าง แถวที่ต่างกันจะถูกเน้นไว้
| การทำเหมืองข้อความทางการแพทย์× | การรู้จำหน่วยคำนาม (Named Entity Recognition - NER)× | |
|---|---|---|
| สาขาวิชา | การทำเหมืองข้อความ | การทำเหมืองข้อความ |
| ตระกูล | Process / pipeline | Process / pipeline |
| ปีกำเนิด≠ | 2000s–2020s (established domain; BioBERT milestone 2020) | — |
| ผู้ริเริ่ม≠ | Community-driven; foundational work by i2b2/UTHealth NLP challenges and BioBERT (Lee et al., 2020) | — |
| ประเภท≠ | NLP information-extraction pipeline | NLP sequence-labelling task |
| แหล่งต้นตำรับ≠ | 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 ↗ | Nadeau, D. & Sekine, S. (2007). A survey of named entity recognition. Lingvisticae Investigationes. link ↗ |
| ชื่อเรียกอื่น | clinical NLP, clinical information extraction, Klinik Metin Madenciliği | NER, entity tagging, Adlandırılmış Varlık Tanıma (NER) |
| ที่เกี่ยวข้อง≠ | 5 | 3 |
| สรุป≠ | Clinical text mining is a specialised branch of natural language processing that extracts structured clinical facts — diagnoses, symptoms, medications, treatments, and ICD codes — from unstructured healthcare documents such as discharge summaries, progress notes, and radiology reports. Grounded in biomedical NLP models like BioBERT (Lee et al., 2020) and the i2b2/UTHealth shared-task benchmarks (Stubbs & Uzuner, 2015), it converts free-text clinical narratives into machine-readable data suitable for clinical decision support and health analytics. | Named entity recognition (NER) is a natural-language-processing task that automatically detects and labels entities in text — such as people, organisations, locations, and dates. Surveyed by Nadeau and Sekine (2007) and later advanced with neural architectures by Lample et al. (2016), it turns free-running text into tagged spans that downstream tools can use. |
| ScholarGateชุดข้อมูล ↗ |
|
|