terminologihantering i medicinska loggfiler · 2013. 10. 20. · spraakbanken.gu.se dimitrios...
TRANSCRIPT
-
www.svenska.gu.se www.clt.gu.se spraakbanken.gu.se
DIMITRIOS KOKKINAKISSpråkbanken, inst. för svenska språketCLT: Centre for Language TechnologyGöteborgs [email protected]
Terminologihantering i medicinska loggfilerTerminology management in medical log files
-
www.svenska.gu.se www.clt.gu.se spraakbanken.gu.se
Översikt
• Motivering / Syfte• Bakgrund: 1177 Vårdguidens sökloggar• Sökloggarnas anatomi• Medicinska närsynonymer och termvariation• Terminologihantering ++
• SNOMED CT; NPL; NER; Kvar?• Resultat• Sammanfattning
-
www.svenska.gu.se www.clt.gu.se spraakbanken.gu.se
Motivering / Syfte• Växande behov av koppling mellan fack- och allmänspråk för
praktiska (medicinskt orienterade) tillämpningar, t.ex. underlätta förståelse av lekmans ordförråd
• Använda terminologin som stöd för t.ex. informations- och kunskapsutvinning
• Brist på täckande medicinska (elektroniska) termlistor med integrerad utförlig språklig & medicinsk information för lekmän
• Applikationer med indata som innehåller både fackspråk och allmänspråk
• Hur ställer man frågor till en hälsoportal?• Blir man påverkad av Google-liknande sätt att ställa frågor?• Kan man få en överblick över vilka begrepp finns i loggar?• Kan SNOMED CT och andra terminologiska resurser
fånga termanvändningen i dessa loggar?
-
www.svenska.gu.se www.clt.gu.se spraakbanken.gu.se
Loggfil : en fil som registrerar alla aktiviteter när man interagerar med en webbplats, en portal eller ett datorsystem. Loggfilerna kan användas för att förstå aktiviteten i sådana miljöer och kan ge viktig information över användarnas beteende, sökfrågor, behov, intressen, sidor man besöker mm.
Data: 1177 Vårdguidens sökloggar
-
www.svenska.gu.se www.clt.gu.se spraakbanken.gu.se
1177 Vårdguidens Loggar: Loggarnas anatomi84 052 967 sökfrågor fr. 20101001 till 201309261 706 168 normaliserade sökfrågor
(dvs. tokeniserade; alla i gemener; unika förekomster)
80 100 sökfrågor/månad – 1,56 ord/sökfrågaMest frekventa sökfrågor: % av antal ord i sökfrågor:
# Sökfråga
1843597 akutmottagning
1081907 vårdcentral
711429 sex och samlevnad
679887 säsongsinfluensan vaccination
505902 tandvård
405306 barnavårdscentral
375886 barnmorskemottagning
#ord # %
1* 45820736 54.4%
1 23882445 28.4%
2 8247032 9.8%
3 4366991 5.2%
4 862127 1.02%
5 450245 0.53%
6 200932 0.24%
-
www.svenska.gu.se www.clt.gu.se spraakbanken.gu.se
1177 Vårdguidens Loggar: Loggarnas innehåll
Q FC1557981DFE4A6E63FCE7C2607FC5 1289860412 Värk rygg huvud bäcken hidden:(meta:category:PageType;Article AND meta:cate gory: PageType;Mobile ) = 8 1 -N - sv = = =
-
www.svenska.gu.se www.clt.gu.se spraakbanken.gu.se
1177 Vårdguidens Loggar: Loggarnas termer
Systematized Nomenclature Of Medicine Clinical Terms(SNOMED CT)
ca 250,000 termer + 230,000 varianterNationellt Produktregister för Läkemedel (NPL)
ca 11,246 termerNamnentitets igenkänning
olika kategorier (person, plats, organization, tid …)Vad finns det kvar???
-
www.svenska.gu.se www.clt.gu.se spraakbanken.gu.se
Termvariation : alternativa namn för ett begrepp. T. ex.,lumbago, ryggskott eller ländryggssmärta är varianter (av synonymtyp) – kan användas omväxlande
Inom samma text kan en term uppvisa stor variation –en stötesten för många tillämpningar – variantformer måste identifieras och länkas till etablerade terminologiska eller ontologiska resurser
Utveckla rutiner för att hantera/fånga termvariation är ett nödvändigt steg för ett flertal mer avancerade tillämpningar inom språkteknologi
Närsynonymer och termvariation
-
www.svenska.gu.se www.clt.gu.se spraakbanken.gu.se
� morfologisk variation – böjnings- och avledningssuffix�hjärtsjukdom => hjärtsjukdomar; ödem => ödematösa
� strukturell variation: NP:er från sammansättningar�mikroalbuminurimätning => mätning av mikroalbuminuri
� strukturell variation: sammansättningar från NP:er�undersökning av fot => fotundersökning
� strukturell variation: (vissa typer av) koordineringar�hjärt- och njursvikt => hjärtsvikt och njur||svikt
� partiell matchning mha sammansättningssegmentering�abstinenskramper => �stressinkontinens => �utmattningsdepressioner =>
Närsynonymer och termvariation 1/7
-
www.svenska.gu.se www.clt.gu.se spraakbanken.gu.se
� vissa typer av akronymer och förkortningar� apolipoprotein b-a1 => apob/apoa1
� vissa typer av ellipsis och andra typer av koordine ringar� supraventrikulär och ventrikulär takykardi� NYHA-klass III eller IV
� modifieringar & ersättningar: sifferomvandling; utelämning/tillägg av bindestreck; utelämning av vi ssa funktionsord och/eller skiljetecken
� NYHA typ 2 => NYHA typ II� Romano-Wards syndrom => Romano Wards syndrom� diabetes mellitus typ 1 => diabetes typ 1
� nya termvarianter: felstavningar� trokanterit; trochanterit; throkanterit
Närsynonymer och termvariation 2/7
-
www.svenska.gu.se www.clt.gu.se spraakbanken.gu.se
“nya” termer i SNOMED� läkemedelsnamn
via aktivsubstans (FASS)
”P : .. eh lugnande , jag tar bara Lyrica innan jag sover”
� överföring av en del av MeSH-synonymer
smärta i ländryggen
MeSH SNOMED
267982002
SNOMED415159003
Närsynonymer och termvariation 3/7
-
www.svenska.gu.se www.clt.gu.se spraakbanken.gu.se
Nätverk för Insamling och samman-ställning av kunskap om prostatit
Carpa: förening som vänder sig till patienter med hormonproducerande tumörer
Ur Stomiboken, 2010, ConvaTec
Närsynonymer och termvariation 4/7
-
www.svenska.gu.se www.clt.gu.se spraakbanken.gu.se
Närsynonymer och termvariation 5/7Stavfel : mäta avståndet mellan två strängar (Levenshteinavståndet) – testat endast avstånd 1 och 2 + posteditering! 779 trokanterit
638 trochanterit77 Trochanterit65 Trokanterit15 throkanterit11 trokanter
…
Mönstermatchning i korpora t ex ur Läkartidningen: ”parentetisk” info.U
r sv
ensk
ord
bok
-
www.svenska.gu.se www.clt.gu.se spraakbanken.gu.se
Mikolov T., Chen K., Corrado G., and Dean J. 2013. Efficient Estimation of Word Representations in Vector Space. Proc of ICLR.
Närsynonymer och Termvariation 6/7Vektorrymdsmodell: sökfrågor representeras som vektorer;algoritmer hittar ord som förekommer i liknande kontext
-
www.svenska.gu.se www.clt.gu.se spraakbanken.gu.se
Terminologihantering: steg 1 SNOMED CT# SNOMED CT Loggvarianter
325242 influensa influenza; influnsa; influenssa; influ
165078 utslag uslag; prikor; prikar
129145 vattkoppor vattenkoppor
100846 sjukdom i mag-tarmkanal mag-tarmkanalssjukdom
95644 tonsillit halsfluss; vita prickar i hals
95003 infektionssjukdom i urinvägar urinväxtinfektion; urininfenktion
83829 pneumoni luninflamation; lugninflammastjon
81289 allergi allregin; allergiska symtom
78089 impetigo svinkoppa; svinkoppar
75045 förkylning förkyldning; förkyld
73021 kräkning kräkts; vomera; kräkn.; krekning
-
www.svenska.gu.se www.clt.gu.se spraakbanken.gu.se
Jan.
201
1Ju
li, 2
011
Jan.
201
2Ju
li, 2
012
Jan.
201
3Ju
li, 2
013
Terminologihantering: steg 1 SNOMED CT
-
www.svenska.gu.se www.clt.gu.se spraakbanken.gu.se
Terminologihantering: steg 1 SNOMED CT
-
www.svenska.gu.se www.clt.gu.se spraakbanken.gu.se
# Produkt
32584 laktos V04CX
16272 alvedon N02BE01
13966 waran B01AA03
10947 kåvepenin J01CE02
10555 gardasil J07BM01
7561 ipren M01AE01#M02AA1
6971 kalcium A12AA
6142 levaxin H03AA01
5644 magnesium A12CC
5203 folsyra B03BB01
5135 diklofenak M01AB05
4538
76
# ATC-koder i 1177 Vårdguiden
98913 N – Nervsystemet
52319 J – Infektionssjukdomar
46385 A - Matsmältningsorgan och ämnesomsättning
33746 B - Blod och blodbildande organ
31304 V – Varia
30903 M – Rörelseapparaten
28497 R – Andningsorganen
24183 C - Hjärta och kretslopp
22666 G - Urin- och könsorgan samt könshormoner
12746 D - Hud
Terminologihantering: steg 2 NPL
-
www.svenska.gu.se www.clt.gu.se spraakbanken.gu.se
-
www.svenska.gu.se www.clt.gu.se spraakbanken.gu.se
-
www.svenska.gu.se www.clt.gu.se spraakbanken.gu.se
Terminologihantering: steg 2 NPLA - Matsmältningsorgan
och ämnesomsättningB - Blod och blodbildande
organJ – Infektionssjukdomar
-
www.svenska.gu.se www.clt.gu.se spraakbanken.gu.se
# Entitetstyp Exempel
1841962 PERSON-ENT claes Granstrand; barbara flur
1312735 PLACE-ENT järfälla; Årsta; SÖDERMALM
1019684 FUNCT-ENT dalens vårdcentral; BVC Björken
392821 GROUP-ENT unga vuxna; diabetiker; kvinnor
317948 ORGZ-ENT Carema; AB S:t Erik vård
300200 DRUG-ENT antidepressiva; gardasil; trombyl
74651 FUNCT-ENT+PLACE-ENT Ortho Center Stockholm
62248 PERSON-ENT+PLACE-ENT Bodil Hofvander Kungsholmen
56605 TIME-ENT på morgonen; nu; 5 maj; flera veckor
50157 ORGZ-ENT+PLACE-ENT Bräcke Diakoni Mösseberg
5775
768
Terminologihantering: steg 3 NER
-
www.svenska.gu.se www.clt.gu.se spraakbanken.gu.se
Terminologihantering – steg 4Vad finns det kvar?VårdkontaktstermerAdministrationstermerAkronymerFörkortningar
-
www.svenska.gu.se www.clt.gu.se spraakbanken.gu.se
Terminologihantering – steg 4# Toppen på omatchade poster
1895553 akutmottagning
1380659 vårdcentral
695894 sex och samlevnad
481838 tandvård
477789 barnavårdscentral
441946 barnmorskemottagning
285368 närakut
175223 hälsocentral
120889 cancer
110307 sjukhus
107626 mödravård
…min hälsoplanoroliga bencirkulations organcoca colaspyr skumsjälmord försökshaken baby (71)spyfärdig oroligmagespykiatri (36)ofostrig graviditealkohollist periodareccpläcccccccccccccccccckagePcd…
-
www.svenska.gu.se www.clt.gu.se spraakbanken.gu.se
�Datorbaserad, semantisk bearbetning av stora textmaterialet blir allt mer eftertraktade av forskare inom olika discipliner – särskilt semantiskt förädlade korpora utgör en resurs som bidrar till utveckling inte minst i flervetenskapliga sammanhang
�Utfört olika korpusbaserade studier för att få en bild på sökloggarnasterminologiinnehåll
�Lyft fram några frågor som kräver ytterligare utredning, t.ex. hur vi kan bäst hantera termvariation
�Trots att stora medicinska termresurser finns tillgängliga, automatiska korpusbaserade metoder behövs som ett viktigt komplement till allt som erbjuds
�Olika typer av textdata verkar använda olika sätt att uttrycka termer –svårt att skapa en modell för att täcka all texttyper
�Tydlig påverkan av Google-typ av sökningar
Sammanfattning