Una evaluación empírica de la reducción de dimensionalidad y el equilibrio de clases para la clasificación de texto...

Área de la Ciencia:

• Informática Médica
• Procesamiento del Lenguaje Natural
• Aprendizaje Automático

Sus antecedentes:

• Los registros de salud electrónicos contienen un gran volumen de texto clínico no estructurado.
• La alta dimensionalidad y la dispersión de los datos de texto dificultan un análisis preciso y eficiente.
• La clasificación automatizada de narrativas clínicas es crucial para la atención médica basada en datos.

Objetivo del estudio:

• Desarrollar un modelo ligero para comprimir narrativas longitudinales de pacientes.
• Mejorar el rendimiento y la eficiencia computacional de la clasificación de texto clínico.
• Permitir el análisis a gran escala de narrativas médicas sin comprometer la precisión diagnóstica.

Principales métodos:

• Se desarrolló un modelo de reducción de continuo utilizando técnicas de aprendizaje de variedades.
• Se exploraron el Análisis de Componentes Principales (PCA), el t-distributed Stochastic Neighbor Embedding (t-SNE) y la Aproximación y Proyección de Manifold Uniforme (UMAP).
• Estas técnicas se combinaron con la Técnica de Sobremuestreo Sintético de Minorías (SMOTE).

Principales resultados:

• La combinación de PCA y SMOTE logró una precisión del 91,2 % en el corpus MTSamples.
• Se observó una mejora estadísticamente significativa del 6,4 % en macro-F1 con respecto a las líneas de base sin reducción.
• El tiempo de entrenamiento del modelo se redujo en un 42 %, lo que mejoró la eficiencia computacional.

Conclusiones:

• La combinación de PCA y SMOTE ofrece una solución práctica y escalable para el PLN clínico.
• Este enfoque mejora la eficiencia computacional sin sacrificar la precisión diagnóstica.
• Los hallazgos respaldan la implementación de canalizaciones de PLN eficientes en las instituciones de atención médica para analizar narrativas médicas.