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
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/183856

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