Estructuración de datos.
Nuestros sistemas de procesamiento del lenguaje natural pueden estructurar entidades detectadas en entradas de texto libre y estandarizar la información relevante teniendo en cuenta el contexto.
Procesamiento del Lenguaje Natural.
Nuestro sistema de procesamiento del lenguaje natural es capaz de estructurar y estandarizar todo tipo de datos clínicos. Gracias a su capacidad para entender el texto libre de las historias clínicas, nuestro sistema puede contextualizar y comprender el significado de la información médica incluida en las notas clínicas. No se trata únicamente de extraer palabras clave, sino de lograr un entendimiento profundo de la información. Para garantizar unos altos estándares de calidad, nuestro doble proceso de Quality Assurance garantiza que los datos estructurados y estandarizados son de alta calidad.
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 15, 2022
Nuestro valor añadido: sistemas de PLN y procesos de QA.
Recnocimiento de entidades nombradas (NER).
Nuestra tecnología utiliza técnicas avanzadas, como el Reconocimiento de Entidades Nombradas (NER), para identificar y categorizar entidades, como enfermedades, medicamentos, procedimientos y mediciones, presentes en una amplia variedad de textos médicos.
Identificación contextual
de entidades.
Nuestra tecnología interpreta el contexto específico en el que se sitúan las entidades. Esta capacidad resulta fundamental para ofrecer interpretaciones precisas y lograr una comprensión integral de las implicaciones de una entidad en las historias o informes clínicos.
Vinculación de entidades
nombradas (NEL).
Nuestra avanzada tecnología es capaz de asignar los identificadores de conceptos del OMOP a entidades detectadas previamente.
Identificación de relaciones
entre entidades.
Nuestra tecnología detecta las complejas relaciones que interconectan diversas entidades de carácter médico dentro de un texto concreto. Este análisis pone de relieve la interacción gradual entre conceptos médicos, lo que contribuye a la comprensión de la redacción de las historias clínicas.
QA: Identificación de
falsos positivos.
Nuestro exhaustivo proceso de anotación, realizado por médicos, garantiza la corrección de cualquier error que se haya podido cometer al clasificar una entidad. Este enfoque garantiza la precisión de los resultados obtenidos por nuestro sistema y mantiene un alto nivel de exactitud en relación con los datos médicos.
QA: Identificación de
falsos negativos.
Nuestro enfoque único conlleva la identificación de los falsos negativos por medio de la comparación de las historias clínicas vectorizadas con aquellos historiales descartados previamente. De este modo, nos aseguramos de identificar cualquier información esencial que el modelo anterior no haya tenido en cuenta, mejorando así nuestra capacidad para detectar datos relevantes que se hayan pasado por alto y afianzando la sensibilidad de nuestros conjuntos de datos clínicos.
De texto libre a dato estandarizado.
Al estandarizar todos los datos clínicos, garantizamos una comprensión sistemática y coherente de la información a través de diversas aplicaciones y sistemas, proporcionando a los hospitales un repositorio de datos único y completo.
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
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
