Estudios Observacionales.
Simplificación de los estudios observacionales mediante el aprovechamiento del poder de la tecnología de datos para activar una gran cantidad de información diversa y exhaustiva procedente de la práctica clínica cotidiana.
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.
August 11, 2023
En la investigación médica y científica, resulta primordial disponer de datos reales actualizados y de alta calidad para los estudios observacionales retrospectivos. Los datos empíricos reales de alta calidad permiten a los investigadores realizar análisis fiables y respaldar las decisiones médicas basándose en pruebas, mejorando en última instancia la asistencia sanitaria y la salud pública.
Nuestro enfoque
La tecnología de IOMED ha simplificado y agilizado el proceso de recopilación de datos reales en diversos proyectos de investigación. La eficacia y precisión de nuestra tecnología de activación de datos desempeñan un papel estratégico para acelerar la investigación clínica. IOMED se ha convertido en un aliado estratégico en las colaboraciones entre los hospitales y otros profesionales del ámbito de la salud al estructurar los datos clínicos delos hospitales, haciéndolos consumibles e incrementando su utilidad.
Nuestra tecnología.
Mapeo conceptual
automatizado.
Nuestra tecnología puede automatizar el mapeo y estructuración de todas las fuentes de datos hospitalarios, incluidos los resultados de laboratorio, los procedimientos radiológicos o la información farmacéutica. Este proceso automatizado simplifica la estructuración de diversos formatos de datos en un modelo estandarizado.
Modelo de datos
común OMOP.
Nuestra tecnología estandariza todos los datos hospitalarios en el modelo de datos comunes del OMOP. El hecho de disponer de datos estandarizados permite a las organizaciones sanitarias aprovechar su potencial a través del establecimiento de colaboraciones con profesionales del ámbito de la asistencia sanitaria y desarrollar un ecosistema sanitario basado en datos.
Procesamiento del lenguaje natural.
Nuestra tecnología basada en la IA y nuestros sistemas de procesamiento del 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 de datos federado garantiza una firme seguridad de los datos al mantenerlos dentro de las instalaciones del hospital. Esto permite a los hospitales tomar parte en la investigación y la colaboración, al tiempo que se mantiene la máxima protección de los datos, de conformidad con el 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
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.
Actualidad.
Keep
Updated!
©IOMED 2023
-
All rights reserved
Privacy Policy
Terms & Conditions
Cookie Policy
GDPR - Complaints Channel
Recinto Modernista Sant Pau
Sant Antoni Maria Claret 167
08025 Barcelona
info@iomed.health
