Reconocimiento de síntomas en conversaciones médicas a través de aprendizaje en múltiples instancias y de forma...

Área de la Ciencia:

• Procesamiento del lenguaje natural
• La informática médica
• Aprendizaje automático

Sus antecedentes:

• Los sistemas de registros electrónicos de salud (EHR) requieren la extracción automática de síntomas de los diálogos médicos.
• Los desafíos incluyen pistas dispersas, lenguaje informal y declaraciones ambiguas / negadas en las descripciones de los pacientes.
• Los modelos existentes luchan con conversaciones no estructuradas y de múltiples vueltas.

Objetivo del estudio:

• Desarrollar un nuevo enfoque para la identificación de síntomas de grano fino en los diálogos médicos.
• Mejorar la precisión y la eficiencia de la generación automatizada de registros médicos.
• Para abordar los desafíos de la información dispersa, la terminología no estándar y la negación en los síntomas informados por los pacientes.

Principales métodos:

• Un marco de aprendizaje de múltiples instancias (MIL) trata las conversaciones como bolsas de enunciados para mejorar la memoria.
• La atención guiada rápida aprovecha la terminología estandarizada para reconocer sinónimos, menciones implícitas y negaciones, mejorando la precisión.
• La regularización R-Drop se utiliza para mejorar la robustez frente a datos ruidosos.

Principales resultados:

• El método propuesto logró una puntuación F1 del 85,93%, superando las líneas de base en aproximadamente un 8%.
• Logró un 85,09% de precisión y un 86,83% de recuperación, lo que demuestra un buen rendimiento.
• Identificaron con éxito pares específicos de síntomas y expresiones, mostrando capacidades de extracción de grano fino.

Conclusiones:

• El enfoque combinado de MIL y atención guiada rápida aborda efectivamente los desafíos en la extracción de síntomas de los diálogos médicos.
• Este método permite la documentación precisa de los síntomas, el avance de la extracción automatizada de información médica y los sistemas inteligentes de EHR.
• La extracción de grano fino apoya las decisiones de diagnóstico y mejora la calidad de los registros médicos.