标准化免费文本数据,以年龄和数据位置字段为例,在免疫表皮层数据库中

科学领域:

• 生物医学信息学 生物医学信息学
• 数据科学数据科学数据科学
• 自然语言处理自然语言处理.

背景情况:

• 非结构化生物医学数据,就像自由文本一样,由于提取挑战,未得到充分利用.
• 标准化自由文本允许使用本体学和协调查询进行结构化表示.
• 本文介绍了一种用于免费文本规范化的工具,该工具应用于免疫表皮层数据库 (IEDB) 数据.

研究的目的:

• 开发一种可适应的工具来规范化自由文本生物医学数据.
• 评估工具对IEDB的年龄和数据位置字段的有效性.
• 提高非结构化生物医学数据的可用性和可查性.

主要方法:

• 分析了来自IEDB的年龄和数据位置的自由文本条目.
• 规范化涉及三个步骤:字符,词和短语的规范化.
• 使用所介绍的工具开发和应用了可通用的规则.

主要成果:

• 对于年龄数据,输出有效率达到99.97% (字符),98.06% (单词) 和83.81% (短语).
• 对于数据位置数据,输出有效率达到99.99% (字符),98.46% (单词) 和97.95% (短语).
• 正常化过程显著减少了数据的差异.

结论:

• 为规范化自由文本数据库字段开发了一种可概括的方法.
• 规则创建的一次性努力可以应用于正在进行的数据策划.
• 标准化提高了数据的可查性,可用性,搜索功能和本体学联系.