Detección de eventos adversos en historiales clínicos mediante Procesamiento del Lenguaje Natural

Martos López, Daniel. (2021). Detección de eventos adversos en historiales clínicos mediante Procesamiento del Lenguaje Natural Master Thesis, Universidad Nacional de Educación a Distancia (España). Escuela Técnica Superior de Ingeniería Informática. Departamento de Inteligencia Artificial

Ficheros (Some files may be inaccessible until you login with your e-spacio credentials)
Nombre Descripción Tipo MIME Size
MartosLopez_Daniel_TFM.pdf MartosLopez_Daniel_TFM.pdf application/pdf 3.41MB

Título Detección de eventos adversos en historiales clínicos mediante Procesamiento del Lenguaje Natural
Autor(es) Martos López, Daniel
Resumen El objetivo de este Trabajo Fin de Máster (TFM) es poner en práctica las competencias adquiridas en las enseñanzas del Máster en Ingeniería y Ciencia de Datos, más concretamente en el área del Procesamiento del Lenguaje Natural aplicado a textos clínicos. Mediante este trabajo se pretende diseñar un método que ayude al profesional sanitario a predecir eventos adversos, los cuales se definen como el daño físico no intencionado que es causado por los cuidados sanitarios más que por la enfermedad subyacente del paciente, a través de un catálogo de triggers ya definido, buscar patrones y agrupar en virtud de éstos obteniendo como resultado una mejora en la Seguridad del Paciente. La metodología seguida ha sido la evaluación de diferentes herramientas cuya finalidad es la identificación de términos o conceptos clínicos en español o inglés dentro del vocabulario SNOMED-CT y su integración con el lenguaje de programación Python para la construcción de nuestra propia herramienta detectora de eventos adversos. El resultado ha sido un método capaz de detectar posibles eventos adversos en texto clínico en español.
Notas adicionales Trabajo de Fin de Máster Universitario en Ingeniería y Ciencia de Datos. UNED
Materia(s) Ingeniería Informática
Palabra clave texto clínico
evento adverso
trigger
lenguaje natural
API REST
MetaMapLite
UMLS
SNOMED-CT
Editor(es) Universidad Nacional de Educación a Distancia (España). Escuela Técnica Superior de Ingeniería Informática. Departamento de Inteligencia Artificial
Director/Tutor Pastor Vargas, Rafael
Sánchez Bocanegra, Carlos Luis
Fecha 2021-10-07
Formato application/pdf
Identificador bibliuned:master-ETSInformatica-ICD-Dmartos
http://e-spacio.uned.es/fez/view/bibliuned:master-ETSInformatica-ICD-Dmartos
Idioma spa
Versión de la publicación acceptedVersion
Nivel de acceso y licencia http://creativecommons.org/licenses/by-nc-nd/4.0
info:eu-repo/semantics/openAccess
Tipo de recurso master Thesis
Tipo de acceso Acceso abierto

 
Versiones
Versión Tipo de filtro
Contador de citas: Google Scholar Search Google Scholar
Estadísticas de acceso: 402 Visitas, 416 Descargas  -  Estadísticas en detalle
Creado: Fri, 29 Oct 2021, 19:06:53 CET