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

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...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autores principales: Eckert, Karina, Montenegro, Sergio Daniel, López Forastier, Nicolás, Candia, Gabriel José
Formato: Objeto de conferencia
Lenguaje:Español
Publicado: 2019
Materias:
Ciencias Informáticas
Machine learning
Extracción de Información
Factores de Riesgo Cardiovascular
IBM® Watson
Acceso en línea:http://sedici.unlp.edu.ar/handle/10915/88146
Aporte de:
SEDICI (UNLP) de Universidad Nacional de La Plata
id I19-R120-10915-88146
record_format dspace
institution Universidad Nacional de La Plata
institution_str I-19
repository_str R-120
collection SEDICI (UNLP)
language Español
topic Ciencias Informáticas
Machine learning
Extracción de Información
Factores de Riesgo Cardiovascular
IBM® Watson
spellingShingle Ciencias Informáticas
Machine learning
Extracción de Información
Factores de Riesgo Cardiovascular
IBM® Watson
Eckert, Karina
Montenegro, Sergio Daniel
López Forastier, Nicolás
Candia, Gabriel José
Extracción de información de evoluciones clínicas digitales mediante técnicas de machine learning
topic_facet Ciencias Informáticas
Machine learning
Extracción de Información
Factores de Riesgo Cardiovascular
IBM® Watson
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.
format Objeto de conferencia
Objeto de conferencia
author Eckert, Karina
Montenegro, Sergio Daniel
López Forastier, Nicolás
Candia, Gabriel José
author_facet Eckert, Karina
Montenegro, Sergio Daniel
López Forastier, Nicolás
Candia, Gabriel José
author_sort Eckert, Karina
title Extracción de información de evoluciones clínicas digitales mediante técnicas de machine learning
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
publishDate 2019
url http://sedici.unlp.edu.ar/handle/10915/88146
work_keys_str_mv AT eckertkarina extracciondeinformaciondeevolucionesclinicasdigitalesmediantetecnicasdemachinelearning
AT montenegrosergiodaniel extracciondeinformaciondeevolucionesclinicasdigitalesmediantetecnicasdemachinelearning
AT lopezforastiernicolas extracciondeinformaciondeevolucionesclinicasdigitalesmediantetecnicasdemachinelearning
AT candiagabrieljose extracciondeinformaciondeevolucionesclinicasdigitalesmediantetecnicasdemachinelearning
bdutipo_str Repositorios
_version_ 1764820489687007232

Ejemplares similares