This paper describes a case study conducted within the domain of blood transfusion aiming at non-exhaustively extraction of candidate terms for an ontology of human blood. The process involved both the construction of a corpus and its automatic processing, and the retrieval of specialized terms. As our main result, we have obtained candidate medical terms to be used in a ontology of blood transfusion processes. Resumo. O presente artigo descreve um estudo de caso realizado no domínio de hemoterapia para a extração automática e não exaustiva de termos candidatos às ontologias sobre o sangue humano. O processo envolveu a construção de um corpus, seu processamento por ferramenta automática e a recuperação de termos médicos. Ao final do experimento, obtiveram-se os termos médicos candidatos a ontologia sobre processos hemoterapêuticos.
A ampla utilização da internet e das novas tecnologias de informação, tais como os dispositivos móveis, as redes sociais, os sistemas de informação eletrônicos, têm mudado a forma do ser humano manipular informação. Uma das consequências destas mudanças é a necessidade de novas abordagens para organização da informação.
No âmbito da medicina, a extração de informação a partir de textos tem sido
abordada de duas formas principais [
Considerando as possíveis potencialidades da extração automática na
organização e representação da informação médica [
A ferramenta Sketch Engine1 foi utilizada para a construção e o processamento morfossintático de um corpus sobre o sangue humano, a partir de textos especializados. A extração de termos se baseou em uma lista de sufixos médicos relevantes no domínio, sugerida por especialistas com base em seus conhecimentos, além de referências da área.
O presente artigo está estruturado nas seguintes seções: na seção 2 discorre-se sobre o uso de ferramentas de PLN para extração de informação e construção de ontologias; na seção 3 apresenta-se a metodologia usada para a extração de termos do corpus como possíveis candidatos à ontologia; na seção 4 são descritos os resultados obtidos com o experimento realizado; e, na seção 5 são apresentadas conclusões acerca deste trabalho e os trabalhos futuros previstos nesta pesquisa.
Embora existam ferramentas de PLN disponíveis para extração de informação e
auxílio na construção de ontologias [Buitelaar et al. 2003], [Cimiano e Volker 2005],
[
Afora essa discussão, fundamental é ressaltar aspectos essenciais para a extração
de informação de textos através das ferramentas de PLN, que se referem: à definição ou
criação de um corpus no domínio sob estudo e aos procedimentos usados para a análise
e anotação linguística do corpus (processamento). Um corpus é “um conjunto
estruturado de grandes dimensões de textos, eletronicamente armazenados e
processados, usado para um propósito definido e que seja representativo do domínio sob
estudo” [
Outro aspecto fundamental refere-se ao trabalho de análise linguística do corpus,
que assim como sua criação, pode ser feito manualmente ou com o uso de ferramentas
automatizadas. Essa análise envolve imprescindivelmente a etapa de codificação do
corpus, bem como a anotação ou etiquetagem dos seus elementos. Para o processo de
anotação de corpora também existem princípios como a recuperabilidade e a
capacidade de extração [
O objetivo da presente seção é apresentar a metodologia empregada para extrair do corpus formado os termos candidatos à ontologia de processos do sangue humano. A abordagem utilizada é considerada semi-automática, devido à intervenção humana, e envolveu três etapas principais: (i) construção de um corpus no domínio do sangue, utilizando-se uma ferramenta automática (seção 3.1); (ii) processamento automático do corpus através de análise morfossintática (seção 3.2); e (iii) cálculo da frequência dos termos candidatos à ontologia (seção 3.3), por meio de tarefas manuais e automáticas.
Os textos escolhidos para compor o corpus no domínio do sangue foram extraídos de um manual técnico sobre os padrões de qualidade para manipulação do sangue humano da instituição americana AABB2 Technical Manual, 17ª edição. Nesse sentido, procura-se atender aos critérios citados para construção de corpus.
Com a amostra de textos selecionada partiu-se para a criação do corpus no Sketch Engine, que é capaz de processar textos em formato pdf para construção de corpora. Dos 32 capítulos da 17ª edição do AABB’s Technical Manual, 27 foram incluídos na formação do corpus, totalizando 369.741 tokens identificados.
A análise morfossintática do corpus foi realizada utilizando-se também a ferramenta Sketch Engine. Essa etapa permitiu a identificação e anotação linguística dos tokens do Blood Corpus (BC).
Para anotação do corpus, o Sketch Engine utiliza: (i) a linguagem de marcação XML na anotação das informações linguísticas dos elementos do texto; e (ii) princípios de anotação de corpora do padrão internacional Text Encoding Initiative3 (TEI). Já o tipo de anotação, realizada pela ferramenta no corpus BC, corresponde à anotação Partof-Speech (POS) Tagger, que inclui a etapa de lematização e a anotação das categorias morfo-sintáticas dos elementos do texto. Nessa anotação, cada item lexical é associado a apenas uma categoria gramatical (etiqueta) de acordo com seu uso na frase.
Após a construção e a anotação do corpus, o passo seguinte foi extrair termos candidatos à ontologia dos processos sobre o sangue humano, conforme segue.
A estratégia semi-automática utilizada envolveu três passos: (i) seleção manual
de sufixos médicos que identifiquem processos; (ii) cálculo automático da frequência
dos termos que possuem tais sufixos no corpus; e (iii) agrupamento manual dos termos
recuperados em classes semânticas de acordo com o sufixo que possuem.
2 AABB é uma associação internacional que conta com 2000 instituições de saúde e 8000 profissionais
vinculados, originários de 80 diferentes países do mundo [
A justificativa pela escolha dos sufixos dos termos como base para cálculo de frequência e, consequentemente, para extração do corpus, deve-se ao fato de que essa parte da palavra, normalmente, representa o significado (semântica) de um termo médico. Desta forma, o sufixo indica o procedimento, a condição ou a doença representada pelo termo. Em "polycythaemia", por exemplo, o prefixo poly indica muitos, a raiz cythea representa célula como parte do corpo humano onde o processo ocorre e o sufixo emia é relativo à falta de algo.
Nesse sentido, consultaram-se especialistas e referências na área para a criação de uma lista de sufixos que representem procedimentos médicos na área de hemoterapia. Os sufixos selecionados foram: -apheresis, -centesis, -desis, -ectomy, -opsy, -rrhaphy, metry, -scopy, -oscopy, -otomy, -ostomy, -pexy e -plasty.
De posse dos sufixos médicos, procedeu-se com a construção de expressões regulares utilizando a linguagem Corpus Query Language (CQL) dentro da ferramenta Sketch Engine. A execução de tais expressões na ferramenta permitiu recuperar todos os termos do corpus que possuem esses sufixos, bem como a frequência absoluta do termo no corpus, ou seja, seu número de ocorrências.
O passo seguinte para a extração dos termos do corpus BC foi selecionar da lista de frequência calculada apenas aqueles termos com maior frequência e agrupá-los em sua classe semântica correspondente, de acordo com o significado do seu sufixo. A execução deste último passo possibilitou a sugestão de termos candidatos à ontologia.
Nesta seção, apresentam-se os resultados obtidos até o momento com a extração automática de termos do corpus e sua representação como classes de uma ontologia sobre os processos de manipulação do sangue humano.
O agrupamento manual dos termos recuperados do corpus BC em classes semânticas, de acordo com os sufixos que os compõem, é mostrado na tabela 1. Nela, os números entre parênteses indicam a frequência do termo no corpus. Considerou-se como frequência mínima para este agrupamento valores maiores ou iguais a três ocorrências, assim os demais termos recuperados foram descartados.
Tabela 1: Agrupamento dos termos recuperados em classes semânticas
Classe semântica Process of removal Surgical puncture or aspirate fluid Process of incision or cutting into Process of measuring Process for viewing Surgical reconstruction Cutting out
Termo recuperado (frequencia) apheresis (124), plasmapheresis (15), leukapheresis (12), hemapheresis (6), Leukapheresis (6), rythrocytapheresis (5), Plasmapheresis (3), Cytapheresis (3) cordocentesis (16), amniocentesis (14), Amniocentesis (4) phlebotomy (32), Phlebotomy (9) cytometry (20) biopsy (7), autopsy (5) arthroplasty (9) prostatectomy (8)
As classes semânticas e os termos mostrados na tabela 1 correspondem aos candidatos à ontologia sobre os processos do sangue humano. A fim de incluí-los em tal ontologia, foi construída uma taxonomia desses elementos (vide figura 1), que representam processos hemoterapêuticos.
Figura 1: Taxonomia dos tipos de processos hemoterapêuticos
Para a construção da taxonomia partiu-se da utilização de uma ontologia de
fundamentação - a Basic Formal Ontology (BFO) [
O presente artigo apresentou um estudo de caso no domínio da hemoterapia sobre a extração de termos médicos de um corpus, criado nesta área, que foram utilizados como classes de uma ontologia sobre os processos envolvidos na manipulação do sangue humano, em desenvolvimento no âmbito do Blood Project.
Embora se tenham atingido os propósitos aqui pretendidos, é importante ressaltar que, como pesquisa em andamento, ainda estão previstos passos como: (i) a validação das classes geradas para a ontologia, por parte de especialistas na área, com o propósito de assegurar maior representatividade dos termos; (ii) extração de termos compostos (bigramas, trigramas, etc.) para ontologia com base em técnicas estatísticas (exs: índice de informação mútua, z-score) e com uso de métodos de inferência; (iii) criação e processamento de um novo corpus na área de hemoterapia, que englobe as publicações científicas mais recentes na área. Tais passos são necessários para produzir resultados qualitativos mais consistentes e garantir maior qualidade à abordagem.
Como consideração final, acredita-se que as técnicas de PLN, de uma maneira geral, têm muito a contribuir com o processamento de grandes volumes de informações, tornando-o mais ágil e reduzindo drasticamente o tempo gasto por profissionais que desempenham tarefas nesse contexto, tal como os curadores. No entanto, consideramos também que a intervenção humana é indispensável em algumas etapas da extração automática de termos para ontologias usando ferramentas de PLN, já que, atualmente, elas ainda não são capazes de tomar decisões próprias de especialistas humanos, baseando-se, exclusivamente, em informações linguísticas e estatísticas.