Medical Informatics III

EnglishTürkçe

CHAPTER


DOI :10.26650/B/ET07.2023.005.11   IUP :10.26650/B/ET07.2023.005.11    Full Text (PDF)

Information Extraction from Discharge Reports: A Roadmap

Selin Şahin, Serra Çelik, Sevinç Gülseçen

Discharge reports are an essential and detailed data source in health. In order to information extraction from the discharge reports of patients, using the natural language processing method, which deals with the co-occurrence of words in learning the hidden meanings discussed in the text, gives more reliable results than other methods. Natural Language Processing can be defined as the language people speak to transfer to machines. Information extraction, which has become an increasingly important issue in recent years, is one of the application areas of natural language processing. By processing unstructured data with information extraction, entities in the text are found and stored in a database simultaneously. Thus, a text written in natural language becomes operable in computer language. If natural language processing methods are applied to electronic discharge notes, highly productive descriptive studies can be conducted and can guide future studies. Developments in information technologies allow the keeping and processing of discharge notes electronically. A lot of helpful information is obtained by information extraction from patient discharge notes, which are unstructured data kept in an electronic environment. Models created with natural language processing can allow doctors to classify patients and thus use appropriate treatment methods. Natural language processing studies with Python can be performed with three libraries (NLTK, SpaCy, Gensim). NLTK performs many operations such as classification, extracting sentences or words from the text, and tagging. SpaCy integrates easily with deep learning. Includes part of speech tagging, named entity recognition, and convolutional neural networks model. Gensim is a Python library for topic modeling, document indexing, and similarity to giant corpses. The study aims to reveal a roadmap for information extraction from the discharge notes of the patients using natural language processing methods and to reveal the hidden meanings in the texts (discharge reports-notes). 


Keywords: Discharge notes, natural language processing, information extraction, roadmap
DOI :10.26650/B/ET07.2023.005.11   IUP :10.26650/B/ET07.2023.005.11    Full Text (PDF)

Taburcu Raporlarından Bilgi Keşfi: Bir Yol Haritası

Selin Şahin, Serra Çelik, Sevinç Gülseçen

Taburcu notları, sağlık alanında oldukça önemli ve ayrıntılı bir veri kaynağıdır. Hastalara ait taburcu notlarından bilgi çıkarımı yapmak, metinde tartışılan gizli anlamları öğrenmek için sözcüklerin birlikte oluşmasını ele alan doğal dil işleme yöntemini kullanmak diğer yöntemlere kıyasla daha güvenilir sonuçlar vermektedir. Doğal dil işleme, insanların konuştuğu dilin makinelere aktarılması olarak ifade edilebilir. Son yıllarda önemi artan bir konu olan bilgi çıkarımı doğal dil işlemenin uygulama alanlarından biridir. Bilgi çıkarımı ile yapılandırılmamış veriler işlenerek metindeki varlıkların bulunması ve aynı zamanda bir veritabanında depolanması gerçekleştirilir. Böylece doğal dilde yazılmış bir metin bilgisayar dilinde işlenebilir hale gelmektedir. Doğal dil işleme yöntemlerinin elektronik taburcu notlarına uygulanması halinde oldukça verimli tanımlayıcı çalışmalar yürütülebilir ve gelecekte yapılan çalışmalara yol gösterici olabilir. Bilgi teknolojileri alanında yaşanan gelişmeler taburcu notlarının elektronik ortamda tutulmasına ve işlenmesine olanak tanımaktadır. Elektronik ortamda tutulan ve yapılandırılmamış veriler olan hasta taburcu notlarından bilgi çıkarımı ile pek çok yararlı bilgi elde edilmektedir. Doğal dil işleme yöntemi ile oluşturulan modeller doktorların hastaları sınıflandırma ve bu sayede uygun tedavi yöntemleri kullanmasına olanak sağlayabilir. Python ile doğal dil işleme çalışmaları 3 kütüphane (NLTK, SpaCy, Gensim) ile gerçekleştirilebilmektedir. NLTK, sınıflama, metinden cümle veya kelime çıkarma etiketleme gibi pek çok işlemi gerçekleştirmektedir. SpaCy, derin öğrenme ile kolay entegre olmaktadır. Konuşma bölümü etiketleme, adlandırılmış varlık tanıma, evrişimli sinir ağları modeli içerir. Gensim, konu modelleme, belge indeksleme ve büyük derlemlerle benzerlik elde etmek için bir Python kütüphanesidir. Çalışmada amaçlanan hastalara ait taburcu notlarından doğal dil işleme yöntemlerini kullanarak bilgi çıkarımı yapılması ve metinlerde (taburcu raporları-notları) yer alan gizli anlamların ortaya çıkarılmasına dair bir yol haritası ortaya koymaktır. 


Keywords: Taburcu notu, doğal dil işleme, bilgi keşfi, yol haritası

References

  • Acar, E. (2007). Ölümlülük, Ölümsüzlük ve Yapay Zekâ. (Editör: Cem Uçan), İstanbul: Altkitap Yayınevi Adalı, E. (2012). Doğal Dil İşleme. Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi, 5(2). google scholar
  • Alajmi, A., Saad, E. M., Darwish, R. R. (2012). Toward an ARABIC stop-words list generation. International Journal of Computer Applications, 46(8), 8-13. google scholar
  • Al-Shammari, E. T. (2008). Towards an error-free stemming. In IADIS European Conference Data Mining 2008 (part of MCCSIS 2008), 160-163. google scholar
  • Aramaki E, Imai T, Miyo K, Ohe K. (2006), Patient status classification by using rule based sentence extraction and MB35 kNN-based classifier. Proceedings i2b2 Workshop on Challenges in Natural Language Processing for Clinical Data. google scholar
  • Atan, S., (2016). Veri, Büyük Veri ve İşletmecilik. Balıkesir Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, (35), 137-153. google scholar
  • Beam, A. L., Kohane, I. S. (2018). Big data and machine learning in health care. Jama, 319(13), 1317-1318. google scholar
  • Bilgin, M. (2017). Gerçek Veri Setlerinde Klasik Makine Öğrenmesi Yöntemlerinin Performans Analizi. Breast, 2(9), 683. google scholar
  • Carrero FM, Gomez Hidalgo JM, Puertas E, Mana M, Mata J. (2006), Quick prototyping of high performance text classifiers. Proceedings i2b2 Workshop on Challenges in Natural Language Processing for Clinical Data. google scholar
  • Chao, W. L., (2011). Machine Learning Tutorial. google scholar
  • Chopra, A., Prashar, A., Sain, C., (2013), Natural Language Processing, Internatıonal Journal ff Technology Enhancements And Emergıng Engıneerıng Research, 1(4), 131. google scholar
  • Çoban, Ö., Özyer, G. T. (2018). Word2vec and Clustering based Twitter Sentiment Analysis. In 2018 International Conference on Artificial Intelligence and Data Processing (IDAP), 1-5. google scholar
  • Cohen A. (2007), Five-way smoking status classification using text hot-spot identification and error-correcting output codes. JAMIA; 15(1):32-5; doi:10.1197/jamia.M2434. google scholar
  • Cowie, J., Lehnert, W. (1996). Information extraction. Communications of the ACM, 39(1), 80-91. google scholar
  • Cunningham, H. (2005). Information extraction, automatic. Encyclopedia of language and linguistics, 3(8), 10. google scholar
  • Dalı YA, Saluvan M. (2015), Sağlık Hizmetlerinin Kalitesi İle Hastane Bilgi Sistemleri İlişkisi. Hacettepe Üniversitesi Sosyal Bilimler Enstitüsü google scholar
  • Eryiğit, G. (2018), Uygulamalı Türkçe Doğal Dil İşleme Evreleri, https://yazokulu.bilimakademisi.org/yapayog-renme/2018/sunumlar/gulseneryigit-byoyo18.pdf google scholar
  • Grefenstette G. (1999) Tokenization. In: van Halteren H. (eds) Syntactic Wordclass Tagging. Text, Speech and Language Technology, vol 9. Springer, Dordrecht. google scholar
  • Guillen R. (2006), Automated deidentification and categorization of medical records. Proceedings i2b2 Workshop on Challenges in Natural Language Processing for Clinical Data. google scholar
  • Gündoğdu, Ö.E., Duru, N., (2016), Türkçe Metin Özetlemede Kullanılan Yöntemler, 18. Akademik Bilişim Konferansı-AB’16, Aydın, Türkiye, 69-76 google scholar
  • Guo Y, Gaizauskas R, Roberts I, Gaizauskas R, Hepple M. (2006), Identifying personal health information using support vector machines. Proceedings i2b2 Workshop on Challenges in Natural Language Processing for Clinical Data. google scholar
  • Hara K. (2007), Applying a SVM based chunker and a text classifier to the Deid Challenge. i2b2 Workshop on Challenges in Natural Language Processing for Clinical Data. Also available as a JAMIA on-line data supplement at http://www.jamia.org. google scholar
  • Harper E. (2014). Can big data transform electronic health records into learning health systems? In: Nursing Informatics, Amsterdam, The Netherlands: IOS Press. google scholar
  • Hirschberg, J., Manning, C. D., (2019), Advances in natural language processing, http://science.sciencemag. org, 262. google scholar
  • Hobbs, J. R. ve Riloff, E. (2010). Information Extraction. Handbook of natural language processing, 15, 16. google scholar
  • https://pypi.org/project/gensim, (2021), gensim 4.1.2. google scholar
  • https://spacy.io/usage/spacy-101, (2021), What’s spaCy?. google scholar
  • https://www.nlm.nih.gov/research/umls/knowledge_sources/metathesaurus/index.html, Metathesaurus. google scholar
  • i2b2 Obesity Challenge Documentation, (2008), https://www.i2b2.org/NLP/Obesity/Documentation.php google scholar
  • IBM (2021), https://www.ibm.com/cloud/learn/machine-learning?lnk=fle, Machine Learning. google scholar
  • IBM (2021), https://www.ibm.com/watson/natural-language-processing, What is natural language processing? google scholar
  • Jain, A., Kulkarni, G., Shah, V., (2018), Natural Language Processing , JCSE International Journal of Computer Sciences and Engineering Open Access Review Paper, 6(1), E-ISSN, 2347-2693 google scholar
  • Konchady M, (2006). Text Mining Application Programming. Charles River Media. google scholar
  • McCarthy, J. (1989). Artificial intelligence, logic and formalizing common sense. In Philosophical logic and artificial intelligence. Springer, Dordrecht. google scholar
  • McEnery, T. (2006). Corpus-Based Language Studies An Advanced Resource Book. New York: Routledge. google scholar
  • Natural Language Toolkit, (2021), https://www.nltk.org/ google scholar
  • Ngoc, P. V., Ngoc, C. V. T., Ngoc, T. V. T., & Duy, D. N. (2019). A C4. 5 algorithm for english emotional classification. Evolving Systems, 10(3), 425-451. google scholar
  • Öğütçü G, Nergis A, Köybaşı G., Cula S., (2011), Elektronik Sağlık Kayıtlarının İçeriği, Hassasiyeti ve Erişim Kontrollerine Yönelik Farkındalık ve Beklentilerin Değerlendirilmesi, TÜRKMIA Kongresi. google scholar
  • Öksüz, E. ve Malhan, S., (2005) Birinci Basamak Sağlık Hizmetlerinde Kodlama ve Sınıflandırma. google scholar
  • Pedersen T. Determining smoker status using supervised and unsupervised learning with lexical features. i2b2 Workshop on Challenges in Natural Language Processing for Clinical Data. Also available as JAMIA on-line data supplement at http://www.jamia.org. google scholar
  • Pentland A, Reid TG, Heibeck T, (2013). Big data and health: revolutionizing medicine and public health. http:// kit.mit.edu/sites/default/files/documents/ WISH_BigData_Report.pdf google scholar
  • Plisson, J., Lavrac, N., & Mladenic, D. (2004, May). A rule based approach to word lemmatization. In Proceedings of IS, (3), 83-86. google scholar
  • Rekdal M. (2006), Identifying smoking status using Argus MLPi2b2. Proceedings i2b2 Workshop on Challenges in Natural Language Processing for Clinical Data. google scholar
  • Salas-Vega, S., Haimann, A., Mossialos, E. (2015). Big data and health care: challenges and opportunities for coordinated policy development in the EU. Health Systems & Reform, 1 (4), 285-300. google scholar
  • SAS, (2021), What is Natural Language Processing?, https://www.sas.com/en_us/insights/analytics/what-is-na-tural-language-processing-nlp.html, google scholar
  • Savova G, Ogren PV, Duffy P, Buntrock J, Chute C. (2007), Mayo clinic NLP system for patient smoking status deidentification. JAMIA 2007; Published Online First 10 Dec 2007; 15(1), 25-8. google scholar
  • Şeker, S. E., (2015), Doğal Dil İşleme (Natural Language Processing), YBS Ansiklopedi, 2(4). google scholar
  • Shams, R., Mercer, R. E. (2013). Personalized spam filtering with natural language attributes. 12th International Conference on Machine Learning and Applications, 2, 127-132. google scholar
  • Shinnou, H. (2001). Detection of errors in training data by using a decision list and Adaboost. In IJCAI-2001 Workshop on Text Learning: Beyond Supervision, 61-65. google scholar
  • Söylemez A., (2016), Hasta kayıtlarının deontoloji disiplin yaklaşımına göre değerlendirilmesi, Türk Dünyası Uygulama ve Araştırma Merkezi Tıp Tarihi ve Etik Dergisi, 1(1). google scholar
  • Suthaharan, S. (2016). Support vector machine. In Machine learning models and algorithms for big data classification. Springer, Boston, MA. google scholar
  • Szarvas G, Farkas R, Ivan S, Kocsor A, Busa-Fekete R. (2006), Automatic extraction of semantic content from medical discharge summaries. Proceedings i2b2 Workshop on Challenges in Natural Language Processing for Clinical Data. google scholar
  • Tülek, M. (2007), Türkçe İçin Metin Özetleme. İstanbul Teknik Üniversitesi Fen Bilimleri Enstitüsü google scholar
  • Unified Medical Language System (UMLS), https://www.nlm.nih.gov/research/umls/index.html google scholar
  • Uzuner Ö, Luo Y, Szolovits P. (2007), Evaluating the state of the art in automatic de-identification. JAMIA, 14(5)550-63. google scholar
  • Webb, G. I., Keogh, E., & Miikkulainen, R. (2010). Naïve Bayes. Encyclopedia of machine learning, 15, 713-714. google scholar


SHARE




Istanbul University Press aims to contribute to the dissemination of ever growing scientific knowledge through publication of high quality scientific journals and books in accordance with the international publishing standards and ethics. Istanbul University Press follows an open access, non-commercial, scholarly publishing.