ZELINA, Petr, Jana HALÁMKOVÁ a Vít NOVÁČEK. Unsupervised extraction, labelling and clustering of segments from clinical notes. In Proceedings of IEEE International Conference on Bioinformatics and Biomedicine (BIBM). USA: IEEE. s. 1362-1368. ISBN 978-1-6654-6820-6. doi:10.1109/BIBM55620.2022.9995229. 2022.
Další formáty:   BibTeX LaTeX RIS
Základní údaje
Originální název Unsupervised extraction, labelling and clustering of segments from clinical notes
Autoři ZELINA, Petr (203 Česká republika, garant, domácí), Jana HALÁMKOVÁ (203 Česká republika, domácí) a Vít NOVÁČEK (203 Česká republika, domácí).
Vydání USA, Proceedings of IEEE International Conference on Bioinformatics and Biomedicine (BIBM), od s. 1362-1368, 7 s. 2022.
Nakladatel IEEE
Další údaje
Originální jazyk angličtina
Typ výsledku Stať ve sborníku
Obor 10201 Computer sciences, information science, bioinformatics
Stát vydavatele Spojené státy
Utajení není předmětem státního či obchodního tajemství
Forma vydání elektronická verze "online"
WWW arXiv preprint
Kód RIV RIV/00216224:14330/22:00127605
Organizační jednotka Fakulta informatiky
ISBN 978-1-6654-6820-6
Doi http://dx.doi.org/10.1109/BIBM55620.2022.9995229
Klíčová slova anglicky NLP; EHR; Clinical Notes; Information Extraction; Text Classification
Štítky Artificial Intelligence, best1, firank_B, knowledge acquisition, knowledge extraction, machine learning, medical informatics, natural language processing, text mining
Příznaky Mezinárodní význam, Recenzováno
Změnil Změnil: Mgr. Petr Zelina, učo 469366. Změněno: 3. 11. 2023 10:49.
Anotace
This work is motivated by the scarcity of tools for accurate, unsupervised information extraction from unstructured clinical notes in computationally underrepresented languages, such as Czech. We introduce a stepping stone to a broad array of downstream tasks such as summarisation or integration of individual patient records, extraction of structured information for national cancer registry reporting or building of semi-structured semantic patient representations for computing patient embeddings. More specifically, we present a method for unsupervised extraction of semantically-labelled textual segments from clinical notes and test it out on a dataset of Czech breast cancer patients, provided by Masaryk Memorial Cancer Institute (the largest Czech hospital specialising in oncology). Our goal was to extract, classify (i.e. label) and cluster segments of the free-text notes that correspond to specific clinical features (e.g., family background, comorbidities or toxicities). The presented results demonstrate the practical relevance of the proposed approach for building more sophisticated extraction and analytical pipelines deployed on Czech clinical notes.
Návaznosti
MUNI/A/1339/2022, interní kód MUNázev: Rozvoj technik pro zpracování dat pro podporu vyhledávání, analýz a vizualizací rozsáhlých datových souborů s využitím umělé inteligence
Investor: Masarykova univerzita, Rozvoj technik pro zpracování dat pro podporu vyhledávání, analýz a vizualizací rozsáhlých datových souborů s využitím umělé inteligence
MUNI/G/1763/2020, interní kód MUNázev: AIcope - AI support for Clinical Oncology and Patient Empowerment (Akronym: AIcope)
Investor: Masarykova univerzita, AIcope - AI support for Clinical Oncology and Patient Empowerment, INTERDISCIPLINARY - Mezioborové výzkumné projekty
VytisknoutZobrazeno: 19. 4. 2024 02:13