Obtención automática de palabras clave en textos clínicos: una aplicación de procesamiento del lenguaje natural a datos masivos de sospecha diagnóstica en Chile

Abstract

Automatic keyword retrieval from clinical texts: an application of natural language processing to massive data of Chilean suspected diagnosis Background: Free-text imposes a challenge in health data analysis since the lack of structure makes the extraction and integration of information difficult, particularly in the case of massive data. An appropriate machine-interpretation of electronic health records in Chile can unleash knowledge contained in large volumes of clinical texts, expanding clinical management and national research capabilities. Aim: To illustrate the use of a weighted frequency algorithm to find keywords. This finding was carried out in the diagnostic suspicion field of the Chilean specialty consultation waiting list, for diseases not covered by the Chilean Explicit Health Guarantees plan. Material and Methods: The waiting lists for a first specialty consultation for the period 2008-2018 were obtained from 17 out of 29 Chilean health services, and total of 2,592,925 diagnostic suspicions were identified. A natural language processing technique called Term Frequency-Inverse Document Frequency was used for the retrieval of diagnostic suspicion keywords. Results: For each specialty, four key words with the highest weighted frequency were determined. Word clouds showing words weighted by their importance were created to obtain a visual representation. These are available at cimt.uchile.cl/lechile/. Conclusions: The algorithm allowed to summarize unstructured clinical free-text data, improving its usefulness and accessibility.

Construcción de recursos de texto para la identificación automática de información clínica en narrativas no estructuradas

“…jdunstan@uchile.cl E l texto libre, es decir, sin estructura predefinida, representa una proporción importante de la información en la ficha clínica de los pacientes 1 . Debido a la complejidad de estos datos no estructurados, su información es a menudo descartada en proyectos que intentan automatizar la gestión médica o el uso secundario de los datos 2 .…”

“…Se emplearon 2.592.925 interconsultas de 50 especialidades en la construcción del corpus. Los detalles del preprocesamiento del texto de la sospecha diagnóstica fueron descritos en una publicación previa 2 .…”

The Chilean Waiting List Corpus: a new resource for clinical Named Entity Recognition in Spanish

“…The referrals contain the personal information of the patient, the referring and admitting healthcare providers, the medical specialty, and in the form of unstructured text the suspected diagnosis (Ministerio de Salud de Chile, 2011b). Villena and Dunstan (2019) examined the unstructured data in this WL, using word clouds to visualize the weighted word frequency by medical specialty. Although this methodology is informative, it is necessary to advance in the automatic detection of diseases within these referrals to improve their clinical management and support epidemiological studies, which is also one of the main motivations to create an annotated corpus.…”

Técnicas de procesamiento de lenguaje natural en la inteligencia artificial conversacional textual

“…En la actualidad, el análisis de texto se realiza de manera automática, en donde la intervención de las computadoras se basa a que el ordenador asimile dichas características de los textos, por ende, la metodología computacional es responsable del análisis de textos, a esto le llamamos Procesamiento del Lenguaje Natural y es utilizado para la obtención de palabras claves dentro de un grupo de documentos, de forma que busca palabras que se repitan dentro de ese apartado, las cuales, no son de suma frecuencia al momento de considerar el total de los documentos (Villena & Dunstan, 2019). La documentación con la información procesada y presentada es el principal inconveniente que se presenta al momento de realizar la extracción de la misma, esto se da al no contar con un marco definido o no se encuentra distribuido bajo parámetros previamente establecidos, esto nos lleva a extraer información duplicada, lo que resulta en un incumplimiento de la demanda esperada.…”