Examinando por Autor "Vicente Cabero, Juan Manuel"

Mostrando 1 - 1 de 1
  • Miniatura
    Publicación
    Extracción de Eventos y Expresiones Temporales en Textos Clínicos
    (Universidad Nacional de Educación a Distancia (España). Escuela Técnica Superior de Ingeniería Informática. Departamento de Lenguajes y Sistemas Informáticos, 2021-06-01) Vicente Cabero, Juan Manuel; Araujo Serna, M. Lourdes ; Martínez Romo, Juan
    En el ambito clnico, la identicacion de eventos como la sintomatologa de un paciente, las enfermedades que pueda padecer o los tratamientos que se le han aplicado, es una necesidad comun entre los profesionales sanitarios e investigadores. Mas alla de la deteccion de los eventos, es necesario poder situarlos en una lnea temporal, pudiendo saber con facilidad el historial clnico del paciente, la sintomatologa que presenta y el tiempo que ha pasado desde que se le administro la ultima dosis de un determinado farmaco. La extraccion automatica del historial del paciente dado un informe sobre su ingreso en el hospital es un problema englobado dentro de la lnea de investigacion de la Extraccion de Informacion, concretamente por la tarea de Extraccion de Relaciones Temporales. Su aplicacion al dominio clnico ha recibido atencion especialmente en la ultima decada en varias ediciones de congresos como i2b2 y Clinical TempEval, en las que se han presentado corpus y metodologas de evaluacion para incentivar el desarrollo de la investigaci on del campo. Esta tarea tiene como antecedente la Extraccion de Eventos y Expresiones Temporales, dado que son los elementos necesarios para extraer las relaciones. En el presente documento se describe la tarea de Extraccion de Eventos y Expresiones Temporales en Textos Clnicos, evaluando 5 arquitecturas que puedan abordar el problema partiendo de informes de alta de pacientes del corpus i2b2. Las arquitecturas toman como referencia las consideradas como estado del arte, tomando una de ellas como base y aplicando modicaciones de forma progresiva a n de conseguir igualar o mejorar los resultados, a la par que se reducen el procesado y la cantidad de datos necesaria para entrenar dichos sistemas. Estas modicaciones dan lugar al sistema BertSR, que supone un planteamiento nuevo apoyado en un modelo BERT pre-entrenado, y que consigue igualar, e incluso superar en algunas subtareas, los resultados de los mejores sistemas del corpus i2b2.