Notícias

Banca de DEFESA: ORRANA LHAYNHER VELOSO DE SOUSA

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: ORRANA LHAYNHER VELOSO DE SOUSA
DATA: 05/04/2023
HORA: 14:00
LOCAL: google meet
TÍTULO: Rotulação e Reconhecimento de Entidades Clínicas em Português através de Modelos de Aprendizado Profundo
PALAVRAS-CHAVES: Reconhecimento de Entidades Clínicas; Embeddings; Deep Learning
PÁGINAS: 60
GRANDE ÁREA: Ciências Exatas e da Terra
ÁREA: Ciência da Computação
SUBÁREA: Sistemas de Computação
ESPECIALIDADE: Teleinformática
RESUMO:

Os sistemas de registro eletrônico de saúde (EHR) têm sido amplamente utilizados na prática médica. Tarefas de Processamento de Linguagem Natural (NLP) e Aprendizado de Máquina (ML), como o Reconhecimento de Entidade Nomeada (NER), têm sido usadas para processar esses dados. Em receitas médicas, por exemplo, é possível a extração de informações úteis para a farmacovigilância e o desenvolvimento de sistemas de apoio a tomada de decisão. Entretanto, a disponibilização dessas informações é de difícil acesso para pesquisadores devido à confidencialidade desses dados, principalmente na língua portuguesa. Assim, este trabalho visa a construção de um dataset de receitas clínicas rotulado para a tarefa NER e a avaliação de técnicas de aprendizado de máquina (ML) e aprendizado profundo (DL) para a extração dessas informações. Sete tipos de entidades nomeadas foram utilizadas: apresentação do medicamento, dosagem, frequência e quantidade de uso, nome do medicamento, duração do tratamento e via de administração. Cinco combinações de métodos de extração de características com classificadores: características ortográficas e linguísticas com os modelos Perceptron, Multinomial NaiveBayes e Conditional Random Fields (CRF), as embeddings da Glove com a rede neural BiLSTM, e uma versão finetuned do BERTimbau foram avaliadas. Como resultados, os modelos de DL obtiveram F1-score de 0.99 na extração das entidades. Assim, concluímos que o uso de embeddings de palavras e modelos de aprendizado profundo produzem melhores resultados no reconhecimento de entidades clínicas em português do que abordagens de ML.


MEMBROS DA BANCA:
Presidente - 1402365 - DEBORAH MARIA VIEIRA MAGALHAES
Interno - 2025063 - ROMUERE RODRIGUES VELOSO E SILVA
Externo ao Programa - 1794678 - VICTOR EULALIO SOUSA CAMPELO
Externo à Instituição - RAFAEL TORRES ANCHIÊTA - USP
Notícia cadastrada em: 22/03/2023 17:11
SIGAA | Superintendência de Tecnologia da Informação - STI/UFPI - (86) 3215-1124 | © UFRN | sigjb09.ufpi.br.instancia1 07/11/2024 21:16