Desbloqueamos el potencial de los
datos de salud.
Nuestra tecnología libera el verdadero potencial de los datos clínicos, activándolos para usos primarios y secundarios.
Qué hacemos
Maximizamos el potencial de los datos de salud.
En IOMED, conseguimos que los datos clínicos alcancen su máximo rendimiento a través del uso de tecnología innovadora basada en inteligencia artificial y sistemas de procesamiento del lenguaje natural. Nuestra tecnología es capaz de estructurar puntos de datos procedentes de distintas fuentes, incluidas las entradas de texto libre de las historias clínicas electrónicas, y estandarizarlos en el modelo de datos comunes OMOP, eliminando así las barreras existentes hasta el momento y permitiendo a los profesionales del sector aprovechar todo el potencial de los datos hospitalarios.
Nuestro valor añadido.
Desbloqueo de datos
de alta calidad.
Nuestro factor diferencial fundamental radica en el uso de tecnología basada en la IA y sistemas de procesamiento del lenguaje natural, que, a través de una metodología y unos procesos de control de calidad, puede desbloquear datos sanitarios tanto estructurados como no estructurados.
Protección y
seguridad.
Nuestro modelo federado de datos permite a los hospitales almacenar sus datos dentro de sus propias instalaciones hospitalarias, lo que garantiza su plena protección y disponibilidad.
Estandarización al
modelo OMOP.
Nuestra tecnología es capaz de estandarizar todos los datos clínicos de los sistemas de información de los hospitales al modelo de datos comunes del OMOP, permitiendo de ese modo a las organizaciones sanitarias aprovechar todo su potencial.
Activación de datos
del mundo real.
A través de nuestra tecnología de activación de datos, eliminamos las barreras existentes hasta el momento, y desbloqueamos el potencial de los datos del mundo real. Así, nuestra tecnología permite a los profesionales sanitarios colaborar conjuntamente y construir el ecosistema sanitario del futuro.
Por una salud basada
en datos.
Los datos clínicos poseen un poder transformador que es capaz de revolucionar nuestras vidas, que nos permite comprender el estado en que se encuentran las enfermedades y nos facilita información muy valiosa sobre la experiencia del paciente, entre muchos otros casos de uso. Cuando los hospitales mantienen un control pleno sobre sus datos, establecer colaboraciones con empresas del sector sanitario es clave para crear un nuevo ecosistema sanitario basado en datos.
Patient
Journey.
Medicina preventiva.
Estudios observacionales.
Identificación de patrones de enfermedades.
Somos el aliado estratégico.
Actuamos como el principal aliado de las organizaciones sanitarias y la industria Life Science, sentando las bases para una colaboración estratégica entre instituciones y organizaciones en pro de un mejor ecosistema sanitario.
Datos protegidos.
Sanidad empoderada.
Cumplimos estrictamente los principios y las normas establecidos por el Reglamento General de Protección de Datos (RGPD). Nuestras rigurosas medidas de seguridad garantizan el respeto de los derechos individuales y la protección de los datos en todo momento. Actuamos bajo las consideraciones éticas más estrictas, al tiempo que ofrecemos a los profesionales sanitarios la posibilidad de aprovechar el poder de los datos.
Principales referencias.
The DERMACLEAR study: Verification results of a natural language processing system in dermatology
Results from the DERMACLEAR study will increase the real-world evidence of clinical practice, obtaining a large amount of information on patients with the studied diseases. The NLP system used is precise in identifying patients diagnosed with HS, PsO, CU and/or AD, and other medical variables from EHRs, highlighting that it is a valid system to use in the DERMACLEAR study.
August, 2023
An open source corpus and automatic tool for section identification in Spanish health records.
This work shows that it is possible to build competitive automatic systems when both data and the right evaluation metrics are available. The annotated data, the implemented evaluation scripts, and the section identification Language Model are open-sourced hoping that this contribution will foster the building of more and better systems.
September, 2023
NATI (NATural language in ThyroId cancer).
A total of 5137 medical records of patients diagnosed with thyroid cancer between 2015 and 2022 were included. The median follow-up (interquartile range) was 29.7 months (8.8-55.8). The mean age at the time of diagnosis was 55 years (SD 18), and 67% were women. The stage could be classified in a subgroup of 520 patients, of which 60% (n=313) had advanced stages. Metastasis was observed in 2177 patients (42%) during the follow-up, mainly in lymph nodes (44%). It was also identified that the majority of patients (71%; n=3629) had some comorbidity.
September, 2023
Extending the OMOP CDM to store the output of natural language processing pipelines.
Although OMOP CDM provides a NOTE_NLP table to store the outputs of NLP algorithms, queries to this table can become clumsy and slow, so we designed and extended the OMOP CDM with our own NLP schema to store the results generated in the annotation process of NLP. We designed an extension of the OMOP CDM able to store the output of NLP solutions while integrating with the vocabulary normalization process of the OMOP CDM.
September, 2021
A Framework for False Negative Detection in NER/NEL
Finding the false negatives of a NER/NEL system is fundamental to improve it, and is usually done by manual annotation of texts. However, in an environment with a huge volume of unannotated texts (e.g. a hospital) and a low frequency of positives (e.g. a mention of a particular disease in the clinical notes) the task becomes very inefficient.
June, 2022
Efficient automated mapping of internal source codes to OMOP CDM concepts
Our automated concept mapping system provides an efficient way of mapping source codes to OMOP concepts. By utilizing text-based vector representations and knowledge transfer, our system can find equivalent mappings from other hospitals, thereby reducing the time and effort required for manual mapping.
June, 2023
ContextMEL: Classifying Contextual Modifiers in Clinical Text.
Taking advantage of electronic health records in clinical research requires the development of natural language processing tools to extract data from unstructured text in different languages. A key task is the detection of contextual modifiers, such as understanding whether a concept is negated or if it belongs to the past. We present ContextMEL, a method to build classifiers for contextual modifiers that is independent of the specific task and the language, allowing for a fast model development cycle.
June, 2020
Conoce algunos de
nuestros Data Partners.
Actualidad.
Keep
Updated!
©IOMED 2023
-
All rights reserved
Privacy Policy
Terms & Conditions
Cookie Policy
GDPR
Recinto Modernista Sant Pau
Sant Antoni Maria Claret 167
08025 Barcelona
info@iomed.health
