Qué hacemos.
Tecnología basada en lnteligencia Artificial para la activación de datos sanitarios.
Tecnología para la activación
de datos clínicos.
Nuestra tecnología de activación de datos clínicos aprovecha el poder de la inteligencia artificial para desbloquear los datos sanitarios de las fuentes de datos hospitalarios. Activamos datos de fuentes estructuradas y no estructuradas, incluidos los registros de las historias clínicas hallados en texto libre, gracias a nuestro sistema de procesamiento del lenguaje natural. Todos los datos se estandarizan al modelo de datos comunes OMOP y nunca salen de los sistemas internos de los hospitales, gracias a nuestro modelo federado de datos, lo que les permite comprender la información clínica en detalle, al tiempo que se protegen los datos y se preserva su seguridad y privacidad.
01.
Mapeo conceptual automatizado.
Mapeo y estandarización de datos estructurados.
Gracias a nuestra tecnología avanzada, podemos automatizar el mapeo de datos hospitalarios estructurados y estandarizarlos al modelo de datos comunes OMOP, aprovechando las representaciones vectoriales de descripciones de código fuente.
02.
Estructuración de datos.
Estructuración y estandarización de texto libre a través de PLN.
Gracias a nuestros sistemas de procesamiento del lenguaje natural somos capaces de estructurar entidades a partir de entradas de texto libre procedentes de historias clínicas, y extraer la información relevante teniendo en cuenta el contexto, estandarizándola posteriormente al modelo de datos comunes OMOP. No se trata únicamente de extraer palabras clave, sino de lograr un entendimiento profundo de la información.
03.
Datos federados.
Aseguramos la seguridad y la protección de los datos sanitarios.
Nuestro modelo federado de datos permite a las organizaciones sanitarias aprovechar el potencial del real-world data, manteniendo al mismo tiempo el máximo nivel de protección y seguridad de los datos.
Construye un futuro basado en datos.
Aprovecha el potencial de los datos explorando posibilidades junto a nosotros.
Fomentamos la innovación.
Estamos orgullosos de alinear nuestra misión con la comunidad Observational Health Data Sciences and Informatics (OHDSI). Creemos en el poder transformador de los datos clínicos, y estamos comprometidos a participar activamente en el ecosistema colaborativo de la OHDSI. Esto refleja nuestro compromiso con la innovación, y la creación de un ecosistema sanitario basado en datos que pueda revolucionar la atención al paciente y generar resultados de salud positivos a nivel global.
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 dif ferent 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!
Recinto Modernista Sant Pau
Sant Antoni Maria Claret 167
08025 Barcelona
info@iomed.health
