Extracción no supervisada de relaciones entre medicamentos y efectos adversos

  1. Andrés Duque
  2. Juan Martínez-Romo
  3. Lourdes Araujo
Journal:
Procesamiento del lenguaje natural

ISSN: 1135-5948

Year of publication: 2015

Issue: 55

Pages: 83-90

Type: Article

DIALNET GOOGLE SCHOLAR HANDLE: https://hdl.handle.net/10045/49279

More publications in: Procesamiento del lenguaje natural

Sustainable development goals

Abstract

En este trabajo se presentan los resultados preliminares de una nueva técnica no supervisada para la extracción de relaciones entre medicamentos y efectos adversos. La identificación de relaciones se consigue a partir de un modelo de representación de conocimiento que extrae pares de entidades con un peso determinado, en función de la significatividad estadística de su coaparición en un mismo documento. Dicho modelo puede ser posteriormente convertido en un grafo. El sistema ha sido evaluado sobre un corpus de referencia, denominado ADE corpus, consiguiendo resultados prometedores al obtener una eficacia muy por encima de un baseline estándar. Las primeras pruebas también muestran un alto potencial para inducir conocimiento nuevo.

Bibliographic References

  • Aramaki, E., Y. Miura, M. Tonoike, T. Ohkuma, H. Masuichi, K. Waki, y K. Ohe. 2010. Extraction of adverse drug effects from clinical records. Studies in health technology and informatics, 160(Pt 1):739–743.
  • Donelly, K. 2006. SNOMED-CT: The advanced terminology and coding system for eHealth. Studies in health technology and informatics, 121:279–290.
  • Edwards, I. R. y J. K. Aronson. 2000. Adverse drug reactions: definitions, diagnosis, and management. The Lancet, 356(9237):1255 – 1259.
  • Eltyeb, S. y N. Salim. 2015. Pattern-based system to detect the adverse drug effect sentences in medical case reports. Journal of Theoretical and Applied Information Technology, 71(1):137–143.
  • Gurulingappa, H., J. Fluck, M. HofmannApitius, y L. Toldo. 2011. Identification of adverse drug event assertive sentences in medical case reports. En Proceedings of First international workshop on knowledge discovery and health care management (KDHCM), paginas 16–27, Athens.
  • Gurulingappa, H., A. Mateen-Rajput, y L. Toldo. 2012. Extraction of potential adverse drug events from medical case reports. Journal of biomedical semantics, 3(1):15.
  • Gurulingappa, H., A. Mateen Rajput, A. Roberts, J. Fluck, M. Hofmann-Apitius, y L. Toldo. 2012. Development of a benchmark corpus to support the automatic extraction of drugrelated adverse effects from medical case reports. Journal of Biomedical Informatics, 45(5):885 – 892.
  • Kandula, S. y Q. Zeng-Treitler. 2010. Exploring relations among semantic groups: a comparison of concept co-occurrence in biomedical sources. Studies in health technology and informatics, 160(2):995–999.
  • Kang, N., E.M. van Mulligen, B. Singh, C. Bui, Z. Afzal, y J. Kors. 2014. Knowledge-based extraction of adverse drug events from biomedical text. BMC bioinformatics, 15(1):64.
  • Lindberg, D., B. Humphreys, y A. McCray. 1993. The unified medical language system. Methods of Information in Medicine, 32(4):281–291.
  • Pyysalo, S., A. Airola, J. Heimonen, J. Bjorne, F. Ginter, y T. Salakoski. 2008. Comparative analysis of five protein-protein interaction corpora. BMC Bioinformatics, 9(Suppl 3):S6+.
  • Segura-Bedmar, I., S. de la Pena González, y P. Martínez. 2014. Extracting drug indications and adverse drug reactions from spanish health social media. En Proceedings of BioNLP 2014, paginas 98–106, Baltimore, Maryland, June. Association for Computational Linguistics.
  • Wang, X., G. Hripcsak, M. Markatou, y C. Friedman. 2009. Active computerized pharmacovigilance using natural language processing,statistics, and electronic health records: A feasibility study. JAMIA, 16(3):328–337.
Data source: Dialnet