Extracción de información de evoluciones clínicas digitales mediante técnicas de machine learning

Autores
Eckert, Karina; Montenegro, Sergio Daniel; López Forastier, Nicolás; Candia, Gabriel José
Año de publicación
2019
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
Este trabajo demuestra el uso de un modelo de machine learning para extraer información referida a factores de riesgo cardiovascular de evoluciones clínicas desestructuradas redactadas en español. El mismo describe un procedimiento para el análisis de corpus y filtrado de evoluciones relevantes para entrenamiento y testeo del modelo. Los resultados muestran la efectividad de los recursos utilizados en extraer la información relevante y, a su vez, plantean una relación entre la complejidad de la información a extraer, y la cantidad de datos de ejemplo necesaria para alcanzar valores de performance elevados.
Sociedad Argentina de Informática e Investigación Operativa
Materia
Ciencias Informáticas
Machine learning
Extracción de Información
Factores de Riesgo Cardiovascular
IBM® Watson
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-sa/3.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/88146
Acceder
id SEDICI_b2f2fc7b665201488a58123093455857
oai_identifier_str oai:sedici.unlp.edu.ar:10915/88146
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Extracción de información de evoluciones clínicas digitales mediante técnicas de machine learningEckert, KarinaMontenegro, Sergio DanielLópez Forastier, NicolásCandia, Gabriel JoséCiencias InformáticasMachine learningExtracción de InformaciónFactores de Riesgo CardiovascularIBM® WatsonEste trabajo demuestra el uso de un modelo de machine learning para extraer información referida a factores de riesgo cardiovascular de evoluciones clínicas desestructuradas redactadas en español. El mismo describe un procedimiento para el análisis de corpus y filtrado de evoluciones relevantes para entrenamiento y testeo del modelo. Los resultados muestran la efectividad de los recursos utilizados en extraer la información relevante y, a su vez, plantean una relación entre la complejidad de la información a extraer, y la cantidad de datos de ejemplo necesaria para alcanzar valores de performance elevados.Sociedad Argentina de Informática e Investigación Operativa2019-09info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf60-74http://sedici.unlp.edu.ar/handle/10915/88146spainfo:eu-repo/semantics/altIdentifier/issn/2451-7607info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-sa/3.0/Creative Commons Attribution-ShareAlike 3.0 Unported (CC BY-SA 3.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-29T11:17:34Zoai:sedici.unlp.edu.ar:10915/88146Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 11:17:34.954SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Extracción de información de evoluciones clínicas digitales mediante técnicas de machine learning
title Extracción de información de evoluciones clínicas digitales mediante técnicas de machine learning
spellingShingle Extracción de información de evoluciones clínicas digitales mediante técnicas de machine learning
Eckert, Karina
Ciencias Informáticas
Machine learning
Extracción de Información
Factores de Riesgo Cardiovascular
IBM® Watson
title_short Extracción de información de evoluciones clínicas digitales mediante técnicas de machine learning
title_full Extracción de información de evoluciones clínicas digitales mediante técnicas de machine learning
title_fullStr Extracción de información de evoluciones clínicas digitales mediante técnicas de machine learning
title_full_unstemmed Extracción de información de evoluciones clínicas digitales mediante técnicas de machine learning
title_sort Extracción de información de evoluciones clínicas digitales mediante técnicas de machine learning
dc.creator.none.fl_str_mv Eckert, Karina
Montenegro, Sergio Daniel
López Forastier, Nicolás
Candia, Gabriel José
author Eckert, Karina
author_facet Eckert, Karina
Montenegro, Sergio Daniel
López Forastier, Nicolás
Candia, Gabriel José
author_role author
author2 Montenegro, Sergio Daniel
López Forastier, Nicolás
Candia, Gabriel José
author2_role author
author
author
dc.subject.none.fl_str_mv Ciencias Informáticas
Machine learning
Extracción de Información
Factores de Riesgo Cardiovascular
IBM® Watson
topic Ciencias Informáticas
Machine learning
Extracción de Información
Factores de Riesgo Cardiovascular
IBM® Watson
dc.description.none.fl_txt_mv Este trabajo demuestra el uso de un modelo de machine learning para extraer información referida a factores de riesgo cardiovascular de evoluciones clínicas desestructuradas redactadas en español. El mismo describe un procedimiento para el análisis de corpus y filtrado de evoluciones relevantes para entrenamiento y testeo del modelo. Los resultados muestran la efectividad de los recursos utilizados en extraer la información relevante y, a su vez, plantean una relación entre la complejidad de la información a extraer, y la cantidad de datos de ejemplo necesaria para alcanzar valores de performance elevados.
Sociedad Argentina de Informática e Investigación Operativa
description Este trabajo demuestra el uso de un modelo de machine learning para extraer información referida a factores de riesgo cardiovascular de evoluciones clínicas desestructuradas redactadas en español. El mismo describe un procedimiento para el análisis de corpus y filtrado de evoluciones relevantes para entrenamiento y testeo del modelo. Los resultados muestran la efectividad de los recursos utilizados en extraer la información relevante y, a su vez, plantean una relación entre la complejidad de la información a extraer, y la cantidad de datos de ejemplo necesaria para alcanzar valores de performance elevados.
publishDate 2019
dc.date.none.fl_str_mv 2019-09
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/10915/88146
url http://sedici.unlp.edu.ar/handle/10915/88146
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/issn/2451-7607
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-sa/3.0/
Creative Commons Attribution-ShareAlike 3.0 Unported (CC BY-SA 3.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-sa/3.0/
Creative Commons Attribution-ShareAlike 3.0 Unported (CC BY-SA 3.0)
dc.format.none.fl_str_mv application/pdf
60-74
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_ 1844616049065984000
score 13.069144

Publicaciones similares