Tato práce je zaměřena na vytěžování klinických dat z lékařských zpráv onkologických pacientů Masarykova onkologického ústavu (MOÚ. Lékařské zprávy jsou momentálně v částečně strukturované podobě uloženy v nemocničním informačním systému (NIS). Student bude mít k dispozici určenou množinu lékařských zpráv, se kterou bude pracovat. Specifické parametry (entity), které budou vytěžovány z lékařských zpráv jako např. TNM klasifikace, diagnóza, nebo morfologie nádoru, budou definovány ve spolupráci s odborníkem v daném oboru a na základě metodiky sběru dat do Národního onkologického registru (NOR). Získané informace budou ukládány v harmonizované podobě do definovaného formátu v souborech XML v rámci infrastruktury CERIT-SC na MU. Výsledná práce by měla nějakým způsobem popsat a uchopit problémy lékařských zpráv, např. jejich neúplnost, chyby v textu, používání různých zkratek tentýž slov různými lékaři, redundance/zdvojení diagnóz u jednoho pacienta apod. V rámci této práce student prostuduje možné způsoby vytěžování dat z částečně strukturovaného textu. Bude pracovat s nejnovějšími metodami extrakce informací, prostuduje principy transformerů pro „Named Entitity recognition“. Vytvoří vlastní množinu entit v komunikaci s odborníky a vytvoří anotovanou datovou sadu z dané části lékařských zpráv. Zorientuje se v medicínském výrazivu a implementuje vhodné techniky zpracování přirozeného jazyka a extrakce textu dle stávajícího postupu, který je využíván v rámci Úseku NOR na MOÚ. Jako kontrolu správnosti zvolených postupů porovná student přesnost extrakce jím vytěžených dat oproti ručně extrahovaným informacím pro NOR a pro projekt ADOPT. Práce má praktický přesah a v případě zdárné implementace ulehčí a zrychlí práci pracovnicím Úseku NOR MOÚ při zadávání informací do modulu parametrizované dokumentace NIS. V návaznosti na tuto práci bude parametrická dokumentace rozšiřována i v budoucnu a je pravděpodobné, že navržený algoritmus se stane součástí NIS.