Over time, the exchange and management of information is becoming more important, especially in the biomedical field. These documents contain relevant information on symptoms, diseases, allergies, etc. For this reason, we need systems to be able to process this information properly. This work is framed within the area of Natural Language Processing in Spanish language, specifically, the study of a very important task within the Information Retrieval Systems, such as the Named Entities Recognition and the knowledege integration from external sources. In our case, we will propose the identification and classification of medical concepts in clinical reports by studying dictionaries and ontologies in the biomedical domain and different languages, algorithms and existing resources. Finally, we will create new systems to later test them and make them available to the scientific community.
Unos de los retos tecnol´ogicos que se plantean en esta tesis es la exploraci´on de la Web Sem´antica haciendo uso de herramientas y recursos de Procesamiento del Lenguaje Natural (PLN). El objetivo es entender autom´aticamente el lenguaje humano apoy´andonos en la inteligencia artificial. Se centrar´a concretamente en la bu´squeda y recuperacio´n de informacio´n para poder obtener respuestas completas, correctas y oportunas a las necesidades de informacio´n de los usuarios.
Se hace necesario el uso de herramientas que faciliten el acceso y recuperaci´on de datos, de ah´ı nacen los llamados sistemas de recuperaci´on de informaci´on. Un Sistema de Recuperaci´on de Informaci´on (SRI) se puede definir como un proceso capaz de almacenar, recuperar y mantener informacio´n (Kowalski, 2007). Estos sistemas ampl´ıan el espectro de cobertura en la bu´squeda a partir de bases de datos documentales, adema´s de poder incorporar diversos m´etodos para el ordenamiento de los documentos que mejoren la relevancia de los resultados para el usuario. Dentro de los SRI la gesti´on de informes m´edicos est´a obteniendo gran importancia, pues los datos contenidos en dichos informes son relevantes tanto para los enfermos como para los especialistas en medicina. Los informes cl´ınicos contienen informaci´on sobre el paciente, medicaci´on, resultados de an´alisis, diagn´osticos, dosis, etc. Manteniendo esa informacio´n digitalizada obtenemos grandes ventajas, se reduce el tiempo de trabajo del personal de salud y se mejora la calidad de la atenci´on entre otros.
El cumplimiento de ciertas normas necesarias para desarrollar de manera coherente la recuperaci´on de contenidos web supone la creaci´on de ontolog´ıas sobre el dominio o ´area de conocimiento espec´ıfico. “Una Ontolog´ıa define los t´erminos b´asicos y las relaciones entre ellos de un tema en concreto como tambi´en la reglas para combinarlos y extender otros t´erminos y relaciones del vocabulario” (Neches et al., 1991). Gruber (1995) tambi´en aport´o conocimiento en base a las ontolog´ıas para obtener conocimiento a partir de ellas y compartirlo “se puede considerar una ontolog´ıa como un sistema de representacio´n del conocimiento en un a´mbito espec´ıfico que puede organizarse en forma jer´arquica para facilitar la representaci´on y comprensi´on del conocimiento”. En este trabajo estudiaremos el diccionario ICD10 (International Classification of Diseases) y las ontolog´ıas UMLS (Unified Medical Language System) y SNOMED-CT (Systematized Nomenclature of Medicine – Clinical Terms ) para resolver los problemas antes mencionados.
Para llegar a obtener documentos que satisfagan las necesidades del usuario en los SRI, haremos uso de diferentes subtareas como la identificaci´on de t´erminos o la clasificaci´on, donde ellos se convierten en la clave para acceder a documentaci´on bibliogr´afica y literatura relacionada. El objetivo del Reconocimiento de Entidades Nombradas (NER Named Entity Recognition por sus siglas en ingl´es) es identificar en un texto menciones de elementos pertenecientes a una determinada clase de conceptos.
Aunque el trabajo est´a centrado en el dominio biom´edico, la idea principal es crear t´ecnicas y algoritmos lo suficientemente flexibles para ser aplicados a distintos a´mbitos con ´exito. La mayor dificultad radicar´ıa en encontrar recursos de calidad para el dominio donde se quieran aplicar las t´ecnicas desarrolladas. 2
En los u´ltimos an˜os, las ontolog´ıas han
desempen˜ado un papel importante en el
campo biom´edico
Existe una gran cantidad de ontolog´ıas en
este a´mbito y muchas de ellas estrechamente
relacionadas, por lo tanto, las calidades
de dichas ontolog´ıa pueden variar mucho.
Encontramos investigaciones interesantes y
de diversa ´ındole sobre las ontolog´ıas m´as
comu´nmente utilizadas como: SNOMED-CT
En cuanto a los trabajos relacionados con el reconocimiento de entidades m´edicas en ingl´es, encontramos sistemas de detecci´on autom´atica, como son MetaMap y cTAKES, ambos se encuentran disponibles y permiten descubrir entidades m´edicas en texto e identificarlas como conceptos ontolo´gicos.
MetaMap es creado por investigadores de
la National Library of Medicine (NLM) y es
capaz de identificar los conceptos biom´edicos
de textos no estructurados y los mapea en los
conceptos de UMLS Metathesaurus (Aronson,
2001), por otro lado, Apache cTAKES
(Apache Clinical Text Analysis and Knowledge
Extraction System)
Existen otras alternativas para el ingl´es,
como MedLEE (Medical Language Extraction
and Encoding System) originalmente
desarrollado para radiolog´ıa y posteriormente
extendido a otros subdominios. BioPortal
En cuanto al idioma espan˜ol existen menos
herramientas disponibles, si bien podemos
1https://medlineplus.gov/
encontrar algunos ejemplos como la versi´on
en espan˜ol de MetaMap (Carrero, Cortizo, y
G´omez, 2008) y Freeling-Med
Este trabajo de tesis se encuentra en fase de desarrollo y adaptacio´n de recursos existentes. Por lo que a lo largo de este an˜o se han ido siguiendo una serie de hitos marcados por los actuales talleres y competiciones que existen dentro del dominio m´edico como son los talleres TASS e IberEval que se celebran en el marco del congreso de la Sociedad Espan˜ola para el Procesamiento del Lenguaje Natural (SEPLN), el foro CLEF eHealth y la competici´on TREC; con todos ellos pretendemos desarrollar nuestros sistemas, evaluarlos y crear una comparativa para seguir avanzando.
En cuanto a reconocimiento de entidades
m´edicas en espan˜ol, se ha disen˜ado una
herramienta propia para la detecci´on de
t´erminos biom´edicos en un texto llamada
BSB2 (Buscador Sem´antico Biom´edico)
Pretendemos modelar el lenguaje humano
en escenarios de dominio biom´edico para
que los documentos electr´onicos puedan ser
legibles por ma´quinas desde un punto de vista
sema´ntico, para ello, participamos en la Task
3. eHealth Knowledge Discovery del Taller
de An´alisis Sem´antico de la SEPLN (TASS)
Por otra parte, tambi´en hemos intentado estudiar otros idiomas como el franc´es.
En la Task 1, Multilingual Information
Extraction - ICD10 coding
Un reto marcado por el taller DIANN
(Disability annotation on documents from the
biomedical domain) inclu´ıdo en la SEPLN
ha sido el anotar discapacidades encontradas
en un texto. Se trata como reto porque
las herramientas para la detecci´on de
entidades nombradas en el a´mbito biom´edico
no consideran las discapacidades como un
concepto distintivo, sino como cualquier otro
signo. Por lo tanto, no permiten distinguir
una discapacidad, generalmente una condicio´n
permanente, de otros signos asociados a
enfermedades. Para esta tarea utilizamos
nuestro sistema BSB para los textos en
espan˜ol y MetaMap con UMLS para el
ingl´es y pudimos ver las diferencias existentes.
Adem´as, para el espan˜ol, incorporamos una
nueva fuente de conocimiento basada en siglas
que inclu´ıa terminolog´ıa sobre discapacidades
En cuanto a trabajos relacionados con la
obtenci´on de documentos relevantes en SRI
hemos participado en la Task3 - Consumer
Health Search Task (Jimmy et al., 2018),
donde aplicamos la t´ecnica de expansi´on
de consultas utilizando el buscador Google.
Identificamos los conceptos m´edicos en los
resultados de Google utilizando cTAKES para
evitar introducir ruido en la consulta con
conceptos que no sean de dominio m´edico. Por
otro lado, en fase de desarrollo se encuentra
la participacio´n en TREC Precision Medicine
Track para 2018, basada en su anterior tarea
Para el desarrollo de esta tesis se propone la siguiente metodolog´ıa a seguir: 1. Estudio y revisi´on del estado del arte.
Se comenzar´a con el estudio y an´alisis de la bibliograf´ıa existente sobre los sistemas de recuperacio´n de informacio´n utilizando la t´ecnica de reconocimiento de entidades. 2. Estudiar las diversas ontolog´ıas existentes tanto en espan˜ol como en otros idiomas. 3. Adaptar los recursos existentes para poder realizar un ana´lisis de los m´etodos propuestos. 4. Desarrollo de recursos y herramientas propios para el an´alisis y la extracci´on de informaci´on en informes m´edicos. 5. Implementaci´on de los sistemas que permitan satisfacer las necesidades de informaci´on de un usuario. 6. Experimentaci´on y evaluaci´on. Se utilizar´an los recursos generados para llevar a cabo la experimentaci´on y posteriormente se proceder´a a la evaluaci´on de los sistemas desarrollados, llevando a cabo una comparaci´on de los resultados obtenidos con los ya existentes. Los resultados obtenidos se pondr´an a disposici´on de la comunidad cient´ıfica. 5
La clasificacio´n, anotacio´n e identificacio´n de entidades es un tema de inter´es en el PLN y en los SRI, nuestra intenci´on en este trabajo es discutir las siguientes aspectos para seguir profundizando en el estudio: 1. ¿Qu´e ontolog´ıas m´edicas son las m´as utilizadas y por qu´e? 2. ¿Cu´ales son los algoritmos y recursos para hacer bu´squedas m´as aproximadas en los SRI? 3. ¿Qu´e tipo de informaci´on de una ontolog´ıa puede mejorar un SRI? ¿Qu´e aporta esa informaci´on (precisi´on, cobertura, diversidad, etc.)? 4. ¿Qu´e sistemas autom´aticos existen actualmente para identificar entidades m´edicas en un texto? ¿Y espec´ıfico para el idioma espan˜ol? 5. ¿Es necesario crear un reconocedor de entidades m´edicas multilingu¨e? 6. Comparativa entre los NER en los idiomas ingl´es y espan˜ol.
Este trabajo est´a parcialmente subvencionado por el proyecto REDES (TIN2015-65136-C2-1-R) del MICINN del Gobierno de Espan˜a.
Aronson, A. R. 2001. Effective mapping of biomedical text to the umls metathesaurus: the metamap program. En Proceedings of American Medical Informatics Association, AMIA, p´agina 17. American Medical Informatics Association.
Bodenreider, O. 2004. The unified medical language system (umls): integrating biomedical terminology. Nucleic Acids Research, 32(suppl 1):D267–D270.
Brennan, P. F y Alan R Aronson. 2003.
Towards linking patients and clinical information: detecting umls concepts in e-mail. Journal of Biomedical Informatics, 36(4-5):334–341.
Carrero, F, Jos´e Carlos Cortizo, y Jos´e Mar´ıa G´omez. 2008. Building a spanish mmtx by using automatic translation and biomedical ontologies. En International Conference on Intelligent Data Engineering and Automated Learning, pa´ginas 346–353.
Springer.
Gruber, T. R. 1995. Toward principles for the design of ontologies used for knowledge sharing? International Journal of Human-computer Studies, 43(5-6):907–928. Huang, Y, Henry J Lowe, Dan Klein, y Russell J Cucina. 2005. Improved identification of noun phrases in clinical radiology reports using a high-performance statistical natural language parser augmented with the umls specialist lexicon. Journal of the American Medical Informatics Association, 12(3):275–285. Jimmy, Guido Zuccon, Joao Palotti, Lorraine Goeuriot, y Liadh Kelly. 2018. Overview of the clef 2018 consumer health search task. En CLEF 2018 Evaluation Labs and Workshop: Online Working Notes, CEUR-WS.
Kowalski, G. J. 2007. Information retrieval systems: theory and implementation, volumen 1. Springer.
Lo´pez-U´ beda, P, Manuel Carlos D´ıaz Galiano, Mar´ıa Teresa Mart´ın-Valdivia, y Salud Jim´enez-Zafra. 2018a. Sinai at diann-ibereval 2018. annotating disabilities in multi-language systems with umls. En Proceedings of the Third Workshop on Evaluation of Human Language Technologies for Iberian Languages (IberEval 2018).
Lo´pez-U´ beda, P, Manuel Carlos D´ıaz-Galiano, Mar´ıa Teresa Mart´ın-Valdivia, y Luis Alfonso Uren˜a L´opez. 2018b. SINAI en TASS 2018 task 3. clasificando acciones y conceptos con UMLS en medline (SINAI in TASS 2018 task 3. classifying actions and concepts with UMLS on medline). En Proceedings of TASS 2018: Workshop on Semantic Analysis at SEPLN, TASS@SEPLN 2018, co-located with 34nd SEPLN Conference (SEPLN 2018), Sevilla, Spain, September 18th, 2018, p´aginas 77–82.
Lo´pez-U´ beda, P, Manuel Carlos D´ıaz Galiano, Arturo Montejo R´aez, Fernando Mart´ınez Santiago, Alberto Andreu-Mar´ın, Mart´ın, Mar´ıa Teresa, y Luis Alfonso Uren˜a L´opez. 2018c. Buscador sem´antico biom´edico. Procesamiento del Lenguaje Natural, 61:189–192.
Manning, C, Mihai Surdeanu, John Bauer, Jenny Finkel, Steven Bethard, y David McClosky. 2014. The stanford corenlp natural language processing toolkit. En Proceedings of 52nd annual meeting of the Association for Computational Linguistics, ACL: system demonstrations, p´aginas 55–60.
Mikolov, T, Kai Chen, Greg Corrado, y Jeffrey Dean. 2013. Efficient estimation of word representations in vector space. arXiv preprint arXiv:1301.3781.
Thomas Gruber, Ramesh Patil,
Ted
Costumero
Marcos Mart´ınez Romero, Mark Denis Wilkinson, y Ernestina Menasalvas Ruiz. 2015. Extracting diagnostic knowledge from medline plus: a comparison between metamap and ctakes approaches. Current Bioinformatics, 375:1–7.