ZELINA, Petr, Jana HALÁMKOVÁ a Vít NOVÁČEK. Unsupervised extraction, classification and visualization of clinical note segments using the MIMIC-III dataset. Online. In Proceedings of IEEE International Conference on Bioinformatics and Biomedicine (BIBM). Istanbul: IEEE, 2023. s. 4172-4178. ISBN 979-8-3503-3748-8. Dostupné z: https://dx.doi.org/10.1109/BIBM58861.2023.10385342. [citováno 2024-04-24]
Další formáty:   BibTeX LaTeX RIS
Základní údaje
Originální název Unsupervised extraction, classification and visualization of clinical note segments using the MIMIC-III dataset
Autoři ZELINA, Petr (203 Česká republika, domácí), Jana HALÁMKOVÁ (203 Česká republika) a Vít NOVÁČEK (203 Česká republika, domácí)
Vydání Istanbul, Proceedings of IEEE International Conference on Bioinformatics and Biomedicine (BIBM), od s. 4172-4178, 7 s. 2023.
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"
Kód RIV RIV/00216224:14330/23:00133337
Organizační jednotka Fakulta informatiky
ISBN 979-8-3503-3748-8
ISSN 2156-1133
Doi http://dx.doi.org/10.1109/BIBM58861.2023.10385342
Klíčová slova anglicky NLP; EHR; Clinical Notes; Information Extraction; Text Classification
Změnil Změnil: RNDr. Pavel Šmerk, Ph.D., učo 3880. Změněno: 8. 4. 2024 22:05.
Anotace
This paper presents a text-mining approach to extracting and organizing segments from unstructured clinical notes in an unsupervised way. Our work is motivated by the real challenge of poor semantic integration between clinical notes produced by different doctors, departments, or hospitals. This can lead to clinicians overlooking important information, especially for patients with long and varied medical histories. This work extends a previous approach developed for Czech breast cancer patients and validates it on the publicly accessible MIMIC-III English dataset, demonstrating its universal and language-independent applicability. Our work is a stepping stone to a broad array of downstream tasks, such as summarizing or integrating patient records, extracting structured information, or computing patient embeddings. Additionally, the paper presents a clustering analysis of the latent space of note segment types, using hierarchical clustering and an interactive treemap visualization. The presented results demonstrate that this approach generalizes well for MIMIC and English.
Návaznosti
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: 24. 4. 2024 01:19