Sistema para análisis y sustitución de abreviaturas en dominios médicos
- Autores
- Muzas, Marcelo G.; Roger, Sandra Emilce
- Año de publicación
- 2025
- Idioma
- español castellano
- Tipo de recurso
- documento de conferencia
- Estado
- versión publicada
- Descripción
- En el ámbito de la salud, la transición hacia registros médicos digitales ha superado las deficiencias inherentes a los formatos en papel, facilitando un acceso expedito a la información del paciente. No obstante, se postula que el valor intrínseco de estos registros reside en su potencial para un análisis inteligente, susceptible de mejorar la calidad de la atención médica, la realización de estudios estadísticos robustos y el soporte a la toma de decisiones clínicas informadas. Un obstáculo significativo para el procesamiento eficiente de esta información médica radica en la carencia de normalización en los textos, caracterizada por la presencia de errores tipográficos y ortográficos, así como el uso extendido de abreviaturas no estandarizadas. Esta heterogeneidad dificulta el análisis automatizado, limitando la explotación del potencial inherente a los datos clínicos disponibles. En respuesta a este desafío, el presente trabajo propone el desarrollo de una herramienta basada en técnicas de aprendizaje profundo (deep learning) para la identificación y normalización de abreviaturas en textos médicos. El objetivo general de esta investigación es optimizar las evoluciones digitales de los pacientes mediante la detección y reemplazo de abreviaturas, enriqueciendo su contexto para su posterior integración en sistemas de registros electrónicos y análisis de datos clínicos.
Red de Universidades con Carreras en Informática - Materia
-
Ciencias Informáticas
Generación de lenguaje natural
Aprendizaje automático
Código - Nivel de accesibilidad
- acceso abierto
- Condiciones de uso
- http://creativecommons.org/licenses/by-nc-sa/4.0/
- Repositorio
- Institución
- Universidad Nacional de La Plata
- OAI Identificador
- oai:sedici.unlp.edu.ar:10915/183856
Ver los metadatos del registro completo
id |
SEDICI_4d785ee2d867b673eb56a7baffd2c3de |
---|---|
oai_identifier_str |
oai:sedici.unlp.edu.ar:10915/183856 |
network_acronym_str |
SEDICI |
repository_id_str |
1329 |
network_name_str |
SEDICI (UNLP) |
spelling |
Sistema para análisis y sustitución de abreviaturas en dominios médicosMuzas, Marcelo G.Roger, Sandra EmilceCiencias InformáticasGeneración de lenguaje naturalAprendizaje automáticoCódigoEn el ámbito de la salud, la transición hacia registros médicos digitales ha superado las deficiencias inherentes a los formatos en papel, facilitando un acceso expedito a la información del paciente. No obstante, se postula que el valor intrínseco de estos registros reside en su potencial para un análisis inteligente, susceptible de mejorar la calidad de la atención médica, la realización de estudios estadísticos robustos y el soporte a la toma de decisiones clínicas informadas. Un obstáculo significativo para el procesamiento eficiente de esta información médica radica en la carencia de normalización en los textos, caracterizada por la presencia de errores tipográficos y ortográficos, así como el uso extendido de abreviaturas no estandarizadas. Esta heterogeneidad dificulta el análisis automatizado, limitando la explotación del potencial inherente a los datos clínicos disponibles. En respuesta a este desafío, el presente trabajo propone el desarrollo de una herramienta basada en técnicas de aprendizaje profundo (deep learning) para la identificación y normalización de abreviaturas en textos médicos. El objetivo general de esta investigación es optimizar las evoluciones digitales de los pacientes mediante la detección y reemplazo de abreviaturas, enriqueciendo su contexto para su posterior integración en sistemas de registros electrónicos y análisis de datos clínicos.Red de Universidades con Carreras en Informática2025-04info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf116-119http://sedici.unlp.edu.ar/handle/10915/183856spainfo:eu-repo/semantics/altIdentifier/isbn/978-987-575-267-2info:eu-repo/semantics/reference/url/https://sedici.unlp.edu.ar/handle/10915/182261info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-29T11:50:12Zoai:sedici.unlp.edu.ar:10915/183856Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 11:50:12.837SEDICI (UNLP) - Universidad Nacional de La Platafalse |
dc.title.none.fl_str_mv |
Sistema para análisis y sustitución de abreviaturas en dominios médicos |
title |
Sistema para análisis y sustitución de abreviaturas en dominios médicos |
spellingShingle |
Sistema para análisis y sustitución de abreviaturas en dominios médicos Muzas, Marcelo G. Ciencias Informáticas Generación de lenguaje natural Aprendizaje automático Código |
title_short |
Sistema para análisis y sustitución de abreviaturas en dominios médicos |
title_full |
Sistema para análisis y sustitución de abreviaturas en dominios médicos |
title_fullStr |
Sistema para análisis y sustitución de abreviaturas en dominios médicos |
title_full_unstemmed |
Sistema para análisis y sustitución de abreviaturas en dominios médicos |
title_sort |
Sistema para análisis y sustitución de abreviaturas en dominios médicos |
dc.creator.none.fl_str_mv |
Muzas, Marcelo G. Roger, Sandra Emilce |
author |
Muzas, Marcelo G. |
author_facet |
Muzas, Marcelo G. Roger, Sandra Emilce |
author_role |
author |
author2 |
Roger, Sandra Emilce |
author2_role |
author |
dc.subject.none.fl_str_mv |
Ciencias Informáticas Generación de lenguaje natural Aprendizaje automático Código |
topic |
Ciencias Informáticas Generación de lenguaje natural Aprendizaje automático Código |
dc.description.none.fl_txt_mv |
En el ámbito de la salud, la transición hacia registros médicos digitales ha superado las deficiencias inherentes a los formatos en papel, facilitando un acceso expedito a la información del paciente. No obstante, se postula que el valor intrínseco de estos registros reside en su potencial para un análisis inteligente, susceptible de mejorar la calidad de la atención médica, la realización de estudios estadísticos robustos y el soporte a la toma de decisiones clínicas informadas. Un obstáculo significativo para el procesamiento eficiente de esta información médica radica en la carencia de normalización en los textos, caracterizada por la presencia de errores tipográficos y ortográficos, así como el uso extendido de abreviaturas no estandarizadas. Esta heterogeneidad dificulta el análisis automatizado, limitando la explotación del potencial inherente a los datos clínicos disponibles. En respuesta a este desafío, el presente trabajo propone el desarrollo de una herramienta basada en técnicas de aprendizaje profundo (deep learning) para la identificación y normalización de abreviaturas en textos médicos. El objetivo general de esta investigación es optimizar las evoluciones digitales de los pacientes mediante la detección y reemplazo de abreviaturas, enriqueciendo su contexto para su posterior integración en sistemas de registros electrónicos y análisis de datos clínicos. Red de Universidades con Carreras en Informática |
description |
En el ámbito de la salud, la transición hacia registros médicos digitales ha superado las deficiencias inherentes a los formatos en papel, facilitando un acceso expedito a la información del paciente. No obstante, se postula que el valor intrínseco de estos registros reside en su potencial para un análisis inteligente, susceptible de mejorar la calidad de la atención médica, la realización de estudios estadísticos robustos y el soporte a la toma de decisiones clínicas informadas. Un obstáculo significativo para el procesamiento eficiente de esta información médica radica en la carencia de normalización en los textos, caracterizada por la presencia de errores tipográficos y ortográficos, así como el uso extendido de abreviaturas no estandarizadas. Esta heterogeneidad dificulta el análisis automatizado, limitando la explotación del potencial inherente a los datos clínicos disponibles. En respuesta a este desafío, el presente trabajo propone el desarrollo de una herramienta basada en técnicas de aprendizaje profundo (deep learning) para la identificación y normalización de abreviaturas en textos médicos. El objetivo general de esta investigación es optimizar las evoluciones digitales de los pacientes mediante la detección y reemplazo de abreviaturas, enriqueciendo su contexto para su posterior integración en sistemas de registros electrónicos y análisis de datos clínicos. |
publishDate |
2025 |
dc.date.none.fl_str_mv |
2025-04 |
dc.type.none.fl_str_mv |
info:eu-repo/semantics/conferenceObject info:eu-repo/semantics/publishedVersion Objeto de conferencia http://purl.org/coar/resource_type/c_5794 info:ar-repo/semantics/documentoDeConferencia |
format |
conferenceObject |
status_str |
publishedVersion |
dc.identifier.none.fl_str_mv |
http://sedici.unlp.edu.ar/handle/10915/183856 |
url |
http://sedici.unlp.edu.ar/handle/10915/183856 |
dc.language.none.fl_str_mv |
spa |
language |
spa |
dc.relation.none.fl_str_mv |
info:eu-repo/semantics/altIdentifier/isbn/978-987-575-267-2 info:eu-repo/semantics/reference/url/https://sedici.unlp.edu.ar/handle/10915/182261 |
dc.rights.none.fl_str_mv |
info:eu-repo/semantics/openAccess http://creativecommons.org/licenses/by-nc-sa/4.0/ Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) |
eu_rights_str_mv |
openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-sa/4.0/ Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) |
dc.format.none.fl_str_mv |
application/pdf 116-119 |
dc.source.none.fl_str_mv |
reponame:SEDICI (UNLP) instname:Universidad Nacional de La Plata instacron:UNLP |
reponame_str |
SEDICI (UNLP) |
collection |
SEDICI (UNLP) |
instname_str |
Universidad Nacional de La Plata |
instacron_str |
UNLP |
institution |
UNLP |
repository.name.fl_str_mv |
SEDICI (UNLP) - Universidad Nacional de La Plata |
repository.mail.fl_str_mv |
alira@sedici.unlp.edu.ar |
_version_ |
1844616361408462848 |
score |
13.070432 |