FenixEdu™

Dissertação

{en_GB=Extraction and Representation of Clinical Terms from Portuguese Clinical Text} {} EVALUATED

Detalhes: {pt=A adopção de registos de saúde electrónicos (RSEs) em clínicas e hospitais permitem auxiliar os profissionais de saúde no seu dia-a-dia, possibilitando a tomada de melhores decisões e de forma mais rápida. Contudo, frequentemente os RSEs contêm dados sobre a forma não estruturada, tais como notas clínicas em texto livre, que dado a sua natureza, contêm múltiplas condições de saúde, sintomas, ou termos clínicos numa mesma nota, que podem ser ou não ser relacionados entre si, por isso criando ambiguidade sobre quais são os conceitos-chave e sobre que forma estão relacionados. Este trabalho propõe uma arquitectura capaz de processar texto contido em documentos clínicos de modo a extrair os conceitos-chave presentes nos mesmos. Isto é alcançado através da aplicação de técnicas de redução de dimensionalidade, que transformam dados altamente dimensionais para representações latentes extraindo apenas as características mais importantes, tais como factorização de matrizes não negativas ou redes neuronais profundas. Após a extracção e representação latente dos conceitos-chave, é possível analisar quais são os mais similares e conhecer como estes conceitos-chave se relacionam uns com outros., en=The adoption of electronic health records (EHRs) in clinics and hospitals made possible to aid healthcare professionals on a daily basis allowing to take decisions faster and better. However, EHRs often consist of large quantities of unstructured data, such as medical notes in free-text, which given their nature, contain several medical conditions, symptoms or clinical terms which could or could not be related in the same medical note, hence leading to ambiguity of which are the most important terms and how these relate to each other. This work proposes an architecture capable of processing text contained in clinical documents, extracting the key-concepts contained in them. This is accomplished through application of dimensionality reduction techniques, that transform the original high-dimensional data to a latent representation extracting only the most important features, such as non-negative matrix factorization and deep neural networks. After extraction and latent representation of key-concepts, is possible to analyze which are the most similar and how these relate to each other.}
Keywords: {pt=notas clínicas, extração de termos clínicos, redução de dimensionalidade, redes neuronais profundas, similaridade, en=clinical notes, clinical terms extraction, dimensionality reduction, deep neural networks, similarity}

Discussão: novembro 21, 2019, 10:30