Resumen

Antecedentes. El reconocimiento de entidades con nombre clínico es la tarea básica de la minería de texto de historias clínicas electrónicas, que se enfrenta a algunos retos debido a las características lingüísticas del texto chino de historias clínicas electrónicas, con muchas entidades compuestas, graves componentes de frases que faltan y límites de entidades poco claros. Además, el corpus de historias clínicas electrónicas chinas es difícil de obtener. Métodos. Teniendo en cuenta estas características de las historias clínicas electrónicas chinas, este estudio propone un modelo de reconocimiento de entidades clínicas chinas basado en un preentrenamiento de aprendizaje profundo. El modelo utilizó la incrustación de palabras del corpus de dominio y el ajuste fino del modelo de reconocimiento de entidades preentrenado por el corpus relevante. A continuación, BiLSTM y Transformer se utilizan, respectivamente, como extractores de características para identificar cuatro tipos de entidades clínicas que incluyen enfermedades, síntomas, medicamentos y operaciones a partir del texto de los registros médicos electrónicos chinos. Resultados. Se logró un 75,06% de Macro-P, un 76,40% de Macro-R y un 75,72% de Macro-F1 en el conjunto de datos de prueba. Estos experimentos muestran que el modelo de reconocimiento de entidades clínicas chinas basado en el preentrenamiento de aprendizaje profundo puede mejorar efectivamente el efecto de reconocimiento. Conclusiones. Estos experimentos muestran que el modelo propuesto de reconocimiento de entidades clínicas chinas basado en el preentrenamiento de aprendizaje profundo puede mejorar eficazmente el efecto de reconocimiento.

• Materias:Inteligencia artificial Big Data Registros médicos electrónicos Acelerómetros Antecedentes teóricos
• Subjects:Artificial intelligence Big Data Electronic medical records Accelerometers Theoretical background
• Palabras claves:Modelo de reconocimiento de entidades clínicas chinas, historias clínicas electrónicas chinas, aprendizaje profundo, Macro, texto de historias clínicas electrónicas chinas, texto de historias clínicas electrónicas, componentes de frases que faltan graves, modelo de reconocimiento de entidades, muchas entidades compuestas, límite de entidades poco claro.
• Keywords:Chinese clinical entity recognition model, Chinese electronic medical records, deep learning, Macro, Chinese electronic medical records text, electronic medical records text, serious missing sentence components, entity recognition model, many compound entities, unclear entity boundary