During the last years, Spanish health services are storing electronic information about their patients. These documents contain relevant information on diseases, allergies, medication, etc. The main goals of this work is to automatically recognize entities related to medicine in a medical report written in Spanish. In the rst phase, we will use Natural Language Processing (NLP) techniques for the treatment of text, and later we will extract the terms of the medical domain. We will study dictionaries and ontologies such as SNOMED-CT, which contribute to solve the problems of both semantic interoperability and knowledge reuse in clinical information systems.
Con el paso de los an~os, la necesidad de tener un buen sistema informatico de gestion de informes medicos esta teniendo gran importancia, pues los datos contenidos en dichos informes son relevantes. Se hace necesario el disen~o y desarrollo de nuevas y potentes herramientas de procesamiento de la informacion que aprovechen los avances de las tecnolog as relacionadas con la informacion para poder acceder y analizar estos datos, todos ellos relacionados con los registros electronicos de la salud de un paciente.
Por lo tanto, es comun hoy d a para un especialista registrar los datos del paciente de manera electronica. Esto incluye informacion del paciente, medicacion, resultados de analisis, diagnosticos, dosis, etc. Manteniendo esa informacion digitalizada vemos tres grandes ventajas: se reduce el tiempo de trabajo del personal de salud, se mejora la calidad de la atencion y se utiliza la informacion a traves de sistemas automaticos como por ejemplo la miner a de textos (Ananiadou and McNaught, 2006).
Llamamos miner a de textos al proceso de descubrir, a partir de grandes cantidades de texto, el conocimiento para encontrar informacion no trivial, desconocida y potencialmente util en textos no estructurados.
La miner a de textos es un area multidisciplinar donde convergen diferentes paradigmas de computacion como son la construccion de arboles de decision, la induccion de reglas, las redes neuronales, el descubrimiento basado en instancias, programacion logica, algoritmos estad sticos, etc. Las principales tareas y metodos de miner a de textos, entre otras, son: extraccion de la informacion, generacion automatica de resumenes de textos, categorizacion, agrupamiento, vinculacion entre conceptos, visualizacion de la informacion y la respuesta automatica de preguntas.
El presente trabajo se centra en el reconocimiento de entidades con nombre, Named Entity Recognition (NER), uno de los problemas basicos de la miner a de texto (Cohen and Hersh, 2005). Por tanto, se desarrollaran tecnicas de extraccion de informacion y de procesamiento del lenguaje natural (PLN) para poder gestionar la informacion contenida en un expediente medico (Hahn, Romacker, and Schulz, 1999). Como producto nal, tendremos informacion que carece de valor por s sola, pero podemos llegar a intercambiarla y utilizarla de manera e ciente para obtener conocimiento de ella. A dicha habilidad se la conoce como interoperabilidad semantica. Entendemos por interoperabilidad semantica la capacidad que tienen diferentes sistemas informaticos de compartir informacion y entenderse.
La importancia de intercambiar informacion en el dominio cl nico, proviene en buena medida de nuevos requisitos que los servicios de atencion sanitaria deben afrontar en su organizacion y funcionalidad para poder seguir prestando su servicio de forma efectiva, e ciente y sostenible, como por ejemplo, los cambios demogra cos, movilidad de ciudadanos y la equidad en el acceso.
Para garantizar la interoperabilidad semantica entre sistemas, se hace necesario el uso de estandares que permitan el intercambio de datos, as como la utilizacion de catalogos estandarizados, los cuales uni can los datos empleados en distintas instituciones derivando en el intercambio correcto de informacion.
A continuacion se mencionan diccionarios y ontolog as que contribuyen a resolver los problemas antes mencionados:
CIE-10: Es la Clasi cacion Internacional de Enfermedades, decima version correspondiente a la version en espan~ol de la ICD, por sus siglas en ingles: International Statistical Classi cation of Diseases and Related Health Problems. Se ha convertido en una clasi cacion diagnostica estandar internacional para todos los propositos epidemiologicos generales y es adecuada para clasi car enfermedades y otros tipos de problemas de salud.
MeSH: Medical Subjects Headings es el vocabulario controlado que emplea Medline y otras bases de datos biomedicas para procesar la informacion que se introduce en cada una de ellas. Contiene encabezamientos de materias, cali cadores, de niciones, referencias cruzadas, sinonimos y listas de terminos estrechamente relacionados.
SNOMED-CT: Systematized Nomenclature of Medicine { Clinical Terms es la terminolog a cl nica integral, multilingue y codi cada de mayor amplitud, precision e importancia desarrollada en el mundo. Es un vocabulario normalizado que permitira la representacion del contenido de los documentos cl nicos para su interpretacion automatica e inequ voca entre sistemas distintos de forma precisa y en diferentes idiomas. Incluye de niciones, terminos, relaciones y sinonimos sobre enfermedades, procedimientos cl nicos, micro-organismos, s ntomas, sustancias y otros conceptos.
UMLS: Uni ed Medical Language System. Es un conjunto de archivos y software que reune muchos vocabularios biomedicos y normas para permitir la interoperabilidad entre los sistemas informaticos. Ha sido desarrollado por la National Library of Medicine (NLM). 2
El enfoque en el procesamiento de notas cl nicas en la tecnolog a de informacion medica podr a traer importantes avances en tratamientos medicos y farmacologicos. Por ello, varias disciplinas como la Informatica, la Lingu stica y la Biomedicina deben unirse para desarrollar aplicaciones de gestion y busqueda de recursos medicos.
Muchos sistemas se basan en los textos
biomedicos en lengua inglesa. Por ejemplo,
Uni ed Modeling Language MetaMap Transfer
(UMLS MMTx) (Osborne et al., 2007) es
una herramienta con gurable comunmente
utilizada por los desarrolladores de sistemas
en biomedicina. Creado por investigadores
de la National Library of Medicine (NLM),
MMTx es capaz de identi car los conceptos
biomedicos de textos no estructurados y
los mapea en los conceptos de UMLS
Metathesaurus
Para el procesamiento de textos biomedicos
en espan~ol, el Ministerio de Sanidad promueve
el uso y aplicacion de la ontolog a SNOMED
CT como terminolog a cl nica de referencia
para la Historia Cl nica Digital Del Sistema
Nacional De Salud (HCDSNS). SNOMED-CT
se considera la terminolog a multilingue mas
completa del cuidado de la salud en el mundo.
En referencia a la ontolog a SNOMED-CT y el
idioma ingles, tenemos varias investigaciones
relacionadas
Como se menciono anteriormente, las notas cl nicas son textos no estructurados, generalmente escritos por especialistas y que presentan caracter sticas especiales (por ejemplo, a menudo se escriben a mano, contienen errores ortogra cos, presentan siglas con multiples signi cados y utilizan terminolog a que viola las convenciones de nomenclatura), por lo que son particularmente dif ciles de tratar. Para ello, necesitamos de un procesamiento de textos para la obtencion de terminos (Barron-Ceden~o et al., 2009; Gelbukh et al., 2010; Bosma and Vossen, 2010).
En lo que atan~e a trabajos en espan~ol aplicando y utlizando la ontolog a SNOMED-CT, cabe destacar los trabajos de Calleja Iban~ez (2015) y Barahona et al. (2012) donde reconocen de manera automatica terminos medicos de diferentes documentos. El trabajo de Castro et al. (2010) presenta una anotacion semantica de las notas cl nicas en espan~ol y la aplicacion MOSTAS que es una herramienta automatizada para identi car conceptos biomedicos. En la Universidad del Pa s Vasco, Oronoz et al. (2013) desarrollan una herramienta basada en FreeLing para anotar entidades como medicamentos, enfermedades y sustancias de manera automatica en textos medicos. Dicha herramienta se conoce como FreeLingMed y aun esta en desarrollo. Podemos mencionar tambien el proyecto de Lopez Rodr guez, Ben tez, and Sanchez (2006) Oncoterm, enfocado a un sistema bilingue de informacion y recursos oncologicos. 3
El objetivo principal de este trabajo consiste en desarrollar herramientas y recursos para el analisis de informes medicos y la extraccion de informacion en documentos cl nicos. En principio, nos guiaremos por la descripcion detallada que presentan Krauthammer and Nenadic (2004), los cuales elaboran una gu a con los pasos a seguir en la extraccion de terminos en el terreno de la biomedicina: 1. Reconocimiento de terminos: denota un conjunto de procedimientos que se usan para reconocer sistematicamente terminos pertinentes en la literatura, es decir, resaltar unidades lexicas que estan relacionadas con conceptos de dominio relevantes. Existen varios enfoques para el reconocimiento de terminos automatico (ATR - Automatic Term Recognition):
los metodos basados en diccionario para el ATR utilizan recursos terminologicos existentes para localizar ocurrencias de termino dentro del texto.
Enfoques basados en reglas: consiste en (normalmente de forma manual) desarrollar reglas que describen estructuras de nomenclatura comunes para ciertas clases de termino, buscando indicios ortogra cos o lexicos, o caracter sticas mas complejas como las morfo-sintacticas.
Aprendizaje automatico: estos sistemas son aquellos que aprenden y clasi can de forma automatica, mejorando con el paso del tiempo. El principal inconveniente de este sistema es preparar un conjunto de entrenamiento inicial para el aprendizaje.
Enfoques h bridos: combinan diferentes metodos (t picamente los basados en reglas y el aprendizaje automatico) y varios recursos (listas de terminos espec cos, palabras, etc.) para la tarea de reconocimiento de terminos.
Reconocimiento de acronimos: los
terminos biomedicos a menudo
aparecen de forma acortada
o abreviada. Por lo tanto, la
capacidad de entender las siglas es
obviamente cr tica para un sistema
de PLN. Encontramos repositorios
de acronimos existentes en el campo
biomedico
implica que existan diferentes formas de presentar el mismo concepto, la utilizacion de abreviaciones, su jos y pre jos hacen dif cil esta tarea. Manejo de ambiguedad de terminos: es otro problema importante en la tarea de mapeo de terminos; esta relacionado con la diversidad de sentidos que se le puede dar a un termino con respecto a la fuente de datos utilizada. 4
La metodolog a que se propone para la consecucion de este trabajo se presenta a continuacion: 1. Estudio y revision del estado del arte. Se comenzara con el estudio y analisis de la bibliograf a existente sobre las tecnicas de reconocimiento de entidades nombradas y de las tecnicas de mapeo. Se estudiaran las diversas ontolog as existentes en el dominio medico tanto en espan~ol como en otros idiomas. 2. Adaptacion de recursos existentes para poder realizar un analisis de los metodos propuestos. 3. Desarrollo de los recursos y herramientas propios para el analisis y la extraccion de informacion en informes medicos. 4. Implementacion de los sistemas que permitan el reconocimiento de entidades medicas en informes medicos en espan~ol. 5. Experimentacion y evaluacion. Se utilizaran los recursos generados para llevar a cabo la experimentacion y posteriormente se procedera a la evaluacion de los sistemas desarrollados, llevando a cabo una comparacion de los resultados obtenidos con los ya existentes. Los resultados obtenidos se pondran a disposicion de la comunidad cient ca. 5
El objetivo principal del trabajo sera la automatizacion de reconocimiento de entidades en el contenido de informes medicos. Para ello, se aplicaran diversas tecnicas de PLN a documentos cl nicos escritos en castellano. Esto supone un reto dado que la mayor a de los trabajos realizados en este campo se ha realizado para lengua inglesa y los recursos para el espan~ol son bastante limitados.
Cuando se habla de tecnicas de PLN nos estamos re riendo a correccion ortogra ca, sistemas de deteccion de acronimos, desambiguacion, tratamiento de la negacion, identi cacion de conceptos, entre otros. Todas estas tareas se integraran en sistemas que permitan procesar automaticamente los conceptos encontrados y anotarlos semanticamente con el estandar SNOMED-CT en lengua espan~ola.
Este trabajo esta parcialmente subvencionado por el proyecto REDES (TIN2015-65136-C2-1-R) del MICINN del Gobierno de Espan~a.
Allones, J. L., D. Mart nez, y M. Taboada. 2014. Automated mapping of clinical terms into snomed-ct. an application to codify procedures in pathology. J. Medical Systems, 38(10):134.
Ananiadou, S. y J. McNaught. 2006. Text mining for biology and biomedicine. Artech House London.
Barahona, E. B., I. S. Ramos, A. U.
Herradon, A. D. Esteban, y L. P. Morales. 2012. Procesador automatico de informes medicos.
Barron-Ceden~o, A., G. Sierra, P. Drouin, y S. Ananiadou. 2009. An improved automatic term recognition method for spanish. In CICLing, volume 9, pages 125{136. Springer.
Bosma, W. y P. Vossen. 2010. Bootstrapping language neutral term extraction. In LREC.
de enfermedades en de medicamentos y con SNOMED-CT.
ETSI Informatica.
Reconocimiento chas tecnicas su anotacion Ph.D. thesis, Castro, E., A. Iglesias, P. Mart nez, y L. Castano. 2010. Automatic identi cation of biomedical concepts in spanish-language unstructured clinical texts. In Proceedings of the 1st ACM International Health Informatics Symposium, pages 751{757. ACM.
Chang, J. T., H. Schutze, y R. B. Altman. 2002. Creating an online dictionary of abbreviations from medline. Journal of the American Medical Informatics Association, 9(6):612{620.
Cohen, A. M. y W. R. Hersh. 2005. A survey of current work in biomedical text mining.
Brie ngs in bioinformatics, 6(1):57{71. Garla, V. N. y C. Brandt. 2012. Semantic similarity in the biomedical domain: an evaluation across knowledge sources. BMC bioinformatics, 13(1):261.
Gelbukh, A., G. Sidorov, E. Lavin-Villa, y L. Chanona-Hernandez. 2010. Automatic term extraction using log-likelihood based comparison with general reference corpus. Natural Language Processing and Information Systems, pages 248{255. Gomez, L. N., I. S. Bedmar, y P. M.
Fernandez. 2016. Easylecto: Un sistema de simpli cacion lexica de efectos adversos presentes en prospectos de farmacos en espanol. Procesamiento del Lenguaje Natural, 57:177{180.
Hahn, U., M. Romacker, y S. Schulz. 1999. How knowledge drives understanding|matching medical ontologies with the needs of medical language processing. Arti cial Intelligence in Medicine, 15(1):25{51.
Herrero-Zazo, M., I. Segura-Bedmar, y P. Mart nez. 2016. Conceptual models of drug-drug interactions: a summary of recent e orts. Knowledge-Based Systems, 114:99{107.
Krauthammer, M. y G. Nenadic. 2004. Term identi cation in the biomedical literature. Journal of biomedical informatics, 37(6):512{526.
Lopez Rodr guez, C. I., P. Ben tez, y M. Sanchez. 2006. Terminolog a basada en el conocimiento para la traduccion y la divulgacion medicas: el caso de oncoterm.
Panace, 7(24):228{240.
Oronoz, M., A. Casillas, K. Gojenola, y A. Perez. 2013. Automatic annotation of medical records in spanish with disease, drug and substance names. In CIARP (2), pages 536{543.
Osborne, J. D., S. Lin, L. J. Zhu, y W. A.
Kibbe. 2007. Mining biomedical data using metamap transfer (mmtx) and the uni ed medical language system (umls).
Gene Function Analysis, pages 153{169.