Una Red de Interacción Convolucional Recurrente a Nivel de Caracter para el reconocimiento conjunto de entidades...

Área de la Ciencia:

• Informática Médica
• Procesamiento del Lenguaje Natural
• Medicina Tradicional China

Sus antecedentes:

• Los registros médicos electrónicos (EMR) de Medicina Tradicional China (MTC) contienen valiosos datos de pacientes estructurados por cuatro dimensiones diagnósticas.
• Los modelos actuales de aprendizaje profundo para el análisis de EMR de MTC carecen de la capacidad de aprovechar al máximo estas dimensiones y las características semánticas del chino antiguo.
• Esto limita la estructuración y modelado efectivos de los datos médicos de MTC.

Objetivo del estudio:

• Desarrollar un método conjunto de extracción de entidades nombradas y relaciones para EMR de MTC.
• Abordar las limitaciones de los modelos existentes para capturar las cuatro dimensiones diagnósticas y la semántica del chino antiguo.
• Mejorar la extracción de entidades clínicas y sus relaciones dentro de los datos de MTC.

Principales métodos:

• Se propuso un modelo de Red de Interacción Convolucional Recurrente a Nivel de Caracter (CCRIN).
• Se trataron las cuatro dimensiones diagnósticas como relaciones, las ubicaciones como entidades principales y los atributos de los síntomas como entidades secundarias.
• Se integraron incrustaciones de caracteres chinos, características convolucionales contextuales y un mecanismo de autoatención para el aprendizaje multitarea.

Principales resultados:

• El modelo CCRIN demostró un rendimiento superior en la extracción de entidades y relaciones de MTC.
• Estudios empíricos en los conjuntos de datos NYT y TCM-cases validaron la efectividad del modelo.
• El modelo capturó con éxito la información semántica del chino antiguo e incorporó las cuatro dimensiones diagnósticas.

Conclusiones:

• El modelo CCRIN propuesto ofrece un enfoque eficaz para analizar EMR de MTC.
• Este método mejora la extracción de entidades clínicas y sus relaciones asociativas basadas en las cuatro dimensiones diagnósticas.
• Los hallazgos contribuyen a una mejor estructuración y modelado de los datos médicos de MTC utilizando técnicas avanzadas de PNL.