Publication: Estudio de la explotación de información sintáctica para la extracción de interacciones farmacológicas en textos biomédicos
Loading...
Identifiers
Publication date
2011-10
Defense date
2011-10-21
Authors
Advisors
Tutors
Journal Title
Journal ISSN
Volume Title
Publisher
Impact
Export
Abstract
Para la correcta administración de fármacos es necesario saber de antemano si los fármacos interaccionan entre sí, ya que las consecuencias pueden ser perjudiciales si la interacción causa un aumento de la toxicidad del fármaco o la disminución de su efecto, pudiendo provocar incluso la muerte del paciente en los peores casos. Actualmente, el personal sanitario tiene a su disposición varias bases de datos sobre interacciones que permiten evitar posibles interacciones a la hora de administrar tratamientos, pero estas bases de datos no están completas. Por este motivo se ven obligados a revisar una gran cantidad de artículos científicos e informes para estar al día pero el gran volumen de información al respecto hace que estén desbordados ante tal avalancha; Todo esto hace necesario un método automático de extracción de la información de estas fuentes de datos para la detección de interacciones entre fármacos. Motivados por estos problemas de gestión de la información, en este proyecto se desarrolla un sistema para la extracción de interacciones farmacológicas sobre textos biomédicos planteando una alternativa al sistema desarrollado por Isabel Segura, en el que se plantean dos aproximaciones (una basada en patrones y uso de información sintáctica superficial, y otro basado de aprendizaje automático, en particular en métodos kernels basados en el uso de información sintáctica superficial). El objetivo general de este proyecto es el estudio de la aportación de información sintáctica completa (obtenida con el analizador Stanford en un sistema basado en clasificadores clásicos (NaiveBayes, HypePipes, JRip, RandomForest, etc.) para resolver el problemas de extracción de interacciones. Como objetivo final, por tanto, compararemos el sistema basado en kernels propuesto con nuestro sistema, además de comparar la aportación de la información sintáctica completa (árboles sintácticos) frente a la superficial (solo sintagmas) usada en los kernels. El resultado de esta combinación de información será analizado con distintos algoritmos de aprendizaje automático de WEKA (Waikato Environment for Knowledge Análisis) para su posterior comparación.
Description
Keywords
Gestión del conocimiento, Aprendizaje automático, Algoritmos de clasificación, Medicamentos