Identificación de patrones de enfermedades.
Profundizar en la comprensión de las enfermedades a fin de innovar en la asistencia sanitaria.
Es esencial comprender una enfermedad y su progresión para mejorar los tratamientos médicos. Este conocimiento permite a los profesionales sanitarios tomar decisiones informadas sobre el tratamiento de la enfermedad, adaptar las terapias y optimizar los resultados. Además, el hecho de comprender de qué forma evoluciona una enfermedad a lo largo del tiempo resulta primordial para el desarrollo de nuevos tratamientos más eficaces. Este conocimiento contribuye asimismo al logro de avances en el campo de la medicina y a la mejora de la calidad de vida de los pacientes al ofrecer tratamientos más precisos y personalizados.
Nuestro enfoque
Nuestra tecnología de activación de datos contribuye a posibilitar el desarrollo de enfoques innovadores relativos a la comprensión y el tratamiento de las enfermedades. Así, las organizaciones del sector Life Science pueden establecer colaboraciones con hospitales para trabajar conjuntamente y tratar de analizar en profundidad diferentes patologías, sus diferentes manifestaciones y su respuesta a distintas modalidades de tratamiento.
+21M
Historias clínicas únicas
+50
Partners estratégicos
+30
Años de datos
+175
Centros de atención primaria
Nuestra tecnología.
Mapeo conceptual
automatizado.
Nuestra tecnología puede automatizar el mapeo y estructuración de todas las fuentes de datos hospitalarios, como los resultados de laboratorio, los procedimientos radiológicos o la información farmacéutica, entre otros, a un modelo estandarizado.
Modelo de datos común
OMOP.
Nuestra tecnología estandariza todos los datos hospitalarios al modelo de datos comunes OMOP. El hecho de disponer de datos estandarizados permite a las organizaciones sanitarias aprovechar su potencial a través del establecimiento de colaboraciones con otras organizaciones del sector salud.
Procesamiento del lenguaje natural.
Nuestra tecnología basada en la IA y nuestros sistemas de procesamiento de lenguaje natural pueden comprender entradas de texto libre de historias clínicas y extraer la información relevante teniendo en cuenta el contexto. No se trata únicamente de extraer palabras clave, sino de lograr un entendimiento profundo de la información y garantizar su calidad a través de un doble control de calidad.
Modelo de datos
federado.
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, y el cumplimiento del RGPD.
Resultados significativos.
Explora otros casos de uso.
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.
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
