Ufafanuzi wa Data - NER
Kitambulisho kinachojulikana cha Utambuzi wa Hesabu (NER) kwa NLP ya Kliniki
Data ya maandishi ya kimatibabu iliyofafanuliwa vizuri na ya Kiwango cha Dhahabu ya kufunza/kukuza NLP ya kimatibabu ili kuunda toleo linalofuata la API ya Huduma ya Afya.
Umuhimu wa kliniki Usindikaji wa Lugha Asilia (NLP) umezidi kutambuliwa katika miaka iliyopita na umesababisha maendeleo ya mabadiliko. Kliniki NLP inaruhusu kompyuta kuelewa maana tajiri ambayo iko nyuma ya uchambuzi wa maandishi wa daktari wa mgonjwa. NLP ya kimatibabu inaweza kuwa na visa vingi vya utumiaji kuanzia uchanganuzi wa afya ya idadi ya watu hadi uboreshaji wa hati za kimatibabu hadi utambuzi wa usemi hadi kulinganisha majaribio ya kimatibabu n.k.
Ili kuunda na kutoa mafunzo kwa miundo yoyote ya kimatibabu ya NLP, unahitaji seti za data sahihi, zisizo na upendeleo na zilizofafanuliwa vyema kwa wingi sana. Data ya Kawaida ya Dhahabu na anuwai husaidia katika kuboresha usahihi na kukumbuka kwa injini za NLP.
Kiasi
Changamoto
Mteja alikuwa anatazamia kutoa mafunzo na kuendeleza Jukwaa lao la Usindikaji wa Lugha Asilia (NLP) na aina mpya za huluki na pia kutambua uhusiano kati ya aina mbalimbali. Zaidi ya hayo, walikuwa wakitathmini wachuuzi waliotoa usahihi wa hali ya juu, waliotii sheria za eneo hilo na walikuwa na ujuzi wa matibabu unaohitajika ili kufafanua kundi kubwa la data.
Jukumu lilikuwa kuweka lebo na kufafanua hadi Rekodi 20,000 zenye Lebo ikijumuisha hadi Rekodi 15,000 Zilizobandikwa kutoka kwa data ya rekodi ya afya ya wagonjwa wa kulazwa na wagonjwa wa nje (EHR) na hadi Rekodi 5,000 zenye Lebo kutoka kwa maagizo ya matibabu yaliyonakiliwa, kusambazwa kwa usawa katika (1) asili ya kijiografia na ( 2) utaalam wa matibabu unaopatikana.
Kwa hivyo, kwa muhtasari wa changamoto:
- Panga data ya kliniki tofauti ili kutoa mafunzo kwa Jukwaa la NLP
- Tambua uhusiano kati ya vyombo tofauti ili kupata habari muhimu
- Uwezo na utaalam wa kuweka lebo / kufafanua seti pana ya hati changamano za kliniki
- Kuweka gharama katika udhibiti wa kuweka lebo / kufafanua idadi kubwa ya data ili kutoa mafunzo kwa NLP ya kimatibabu ndani ya muda uliowekwa.
- Eleza huluki katika mkusanyiko wa data wa kimatibabu ambao una 75% EHR na rekodi 25% za Imla.
- Utambulisho wa data wakati wa utoaji
Changamoto Nyingine katika Uelewa wa Lugha Asilia
Maneno ni ya kipekee lakini yanaweza kuwa na maana tofauti kulingana na muktadha unaosababisha utata wa viwango vya kileksika, kisintaksia na kisemantiki.
Tunaweza kueleza wazo lile lile kwa istilahi tofauti ambazo pia ni visawe: kubwa na kubwa humaanisha sawa wakati wa kuelezea kitu.
Mchakato wa kutafuta misemo yote inayorejelea kitu kimoja katika maandishi inaitwa azimio la msingi.
Kulingana na utu wa mzungumzaji, nia na hisia zao zinaweza kuonyeshwa kwa njia tofauti kwa wazo moja.
Suluhisho
Kiasi kikubwa cha data ya matibabu na ujuzi hupatikana, kwa namna ya nyaraka za matibabu, lakini ni hasa katika muundo usio na muundo. Kwa Ufafanuzi wa Ufafanuzi wa Huluki ya Matibabu / Utambuzi wa Huluki (NER) Ufafanuzi, Shaip aliweza kubadilisha data ambayo haijaundwa katika muundo uliopangwa kwa kufafanua maelezo muhimu kutoka kwa aina mbalimbali za rekodi za kimatibabu. Mara tu vyombo vilipotambuliwa, uhusiano kati yao pia ulichorwa ili kutambua habari muhimu.
Wigo wa Kazi: Dokezo la Kutaja Shirika la Huduma ya Afya
9 Aina za Vyombo
- Hali ya Matibabu
- Utaratibu wa matibabu
- Muundo wa Anatomiki
- Madawa
- Kifaa cha Matibabu
- Mwili kipimo
- kulevya
- Takwimu za maabara
- Utendaji wa mwili
17 Virekebishaji
- Virekebishaji vya Dawa: Nguvu, Kipimo, Kipimo, Kutoka, Masafa, Njia, Muda, Hali
- Virekebishaji vya Vipimo vya Mwili: Thamani, Kitengo, Matokeo
- Marekebisho ya Utaratibu: Njia
• Kirekebishaji data cha Maabara: Thamani ya Maabara, Kitengo cha Maabara, Matokeo ya Maabara - Ukali
- Matokeo ya utaratibu
27 Mahusiano na Hali ya Mgonjwa
Matokeo
Data iliyofafanuliwa ingetumika kutengeneza na kutoa mafunzo kwa Mfumo wa kliniki wa NLP wa Mteja, ambao utajumuishwa katika toleo linalofuata la API yao ya Huduma ya Afya. Faida ambazo mteja alipata zilikuwa:
- Data iliyo na lebo/fafanuzi ilikidhi miongozo ya kawaida ya data ya Mteja.
- Seti mbalimbali za data zilitumika kufunza Jukwaa la NLP kwa usahihi zaidi.
- Uhusiano kati ya vyombo mbalimbali, yaani muundo wa mwili wa Anatomia <> Kifaa cha Matibabu, Hali ya Matibabu <> Kifaa cha Matibabu, Hali ya Matibabu <> Dawa, Hali ya Matibabu <> Utaratibu ulitambuliwa ili kupata taarifa muhimu za matibabu.
- Seti pana ya data ambayo ilikuwa na lebo/fafanuzi pia haikutambuliwa wakati wa kuwasilishwa.
Ushirikiano wetu na Shaip ulikuza zaidi mradi wetu katika Teknolojia ya Mazingira na AI ya Maongezi ndani ya huduma ya afya. Utaalam wao katika kuunda na kunukuu mijadala sintetiki ya huduma ya afya ilitoa msingi thabiti, unaoonyesha uwezo wa data sanisi katika kukabiliana na changamoto za udhibiti. Tukiwa na Shaip, tulipitia vikwazo hivi na sasa ni hatua ya karibu kufikia maono yetu ya masuluhisho ya huduma ya afya angavu.
