КЛИНИКАЛЫҚ МӘТІНДЕРДЕН ҚАТЫНАСТАРДЫ ШЫҒАРУ

Денсаулық сақтау жүйесін модернизациялау – медицина саласының дамуындағы ғаламдық тенденция; бұл – емделушінің денсаулығы туралы мәліметтерді цифрландыру мүмкіндігімен байланысты. Жиналған мәліметтер емделушіге күтім жасау мен диагнозын жақсарту үшін өңделіп, талдануына болады. Бұл құжат медициналық мәтін жазбаларын құрылымдау тәсілдерін қарастырады. Клиникалық жазбалардың өзара байланысын, сон- дай-ақ семантикалық анализ моделін құруға арналған сандық тәжірибелерді ұсыну үшін фреймворк ұсынылған.

1. The Digital Universe: Driving Data Growth in Healthcare. https://www.cycloneinteractive.com/cyclone/assets/File/digital-universe-healthcare-vertical-report-ar.pdf.

2. Rajkomar, A., Oren, E., Chen, K., Dai, A. M., Hajaj, N., Hardt, M., ... & Sundberg, P. (2018). Scalable and accurate deep learning with electronic health records. NPJ Digital Medicine, 1(1), 18.

3. Makary, M. A., & Daniel, M. (2016). Medical error—the third leading cause of death in the US. Bmj, 353.

4. Hobbs, J. R. (1978). Resolving pronoun references. Lingua, 44(4), 311-338.

5. Humphreys, K., Gaizauskas, R., Azzam, S., Huyck, C., Mitchell, B., Cunningham, H., & Wilks, Y. (1998). University of Sheffield: Description of the LaSIE-II system as used for MUC-In Seventh Message Understanding Conference (MUC-7): Proceedings of a Conference Held in Fairfax, Virginia, April 29-May 1, 1998.

6. Johnson, A. (2016). others. 2016. MIMIC-III, a freely accessible critical care database. Scientific Data, 3(10.1038).

7. Noam, C. (1981). Lectures on government and binding. Dordrecht: Foris.

8. Pak, A. A., Amirzhan, S., & Ziyaden, A. A. (2019, October). The Resolution of Gender Anaphora Reference with the Help of Kernel Trick Mechanisms. In IOP Conference Series: Materials Science and Engineering (Vol. 630, No. 1, p. 012029). IOP Publishing.

9. Pradhan, S., Moschitti, A., Xue, N., Uryupina, O., & Zhang, Y. (2012, July). CoNLL-2012 shared task: Modeling multilingual unrestricted coreference in OntoNotes. In Joint Conference on EMNLP and CoNLL-Shared Task (pp. 1-40). Association for Computational Linguistics.

10. Romanov, A., & Shivade, C. (2018). Lessons from natural language inference in the clinical domain. arXiv preprint arXiv:1808.06752.

11. Sheikhalishahi, S., Miotto, R., Dudley, J. T., Lavelli, A., Rinaldi, F., & Osmani, V. (2019). Natural language processing of clinical notes on chronic diseases: systematic review. JMIR medical informatics, 7(2), e12239.

12. Weng, W. H., Wagholikar, K. B., McCray, A. T., Szolovits, P., & Chueh, H. C. (2017). Medical subdomain classification of clinical notes using a machine learning-based natural language processing approach. BMC medical informatics and decision making, 17(1), 155.

13. “Apache CTAKES,” October 25, 2019 https://en.wikipedia.org/wiki/Apache_cTAKES.

14. “UMLS.” Wikipedia. Wikimedia Foundation, March 23, 2019. https://ru.wikipedia.org/wiki/UMLS.

15. “MetaMap – A Tool For Recognizing UMLS Concepts in Text.” U.S. National Library of Medicine. National Institutes of Health. https://metamap.nlm.nih.gov/.

16. Context: An Algorithm for Determining Negation, Experiencer, and Temporal Status from Clinical Reports. Henk Harkema, John N. Dowling, Tyler Thornblade and Wendy W. Chapman.

17. Bojanowski, P., Grave, E., Joulin, A., & Mikolov, T. (2017). Enriching word vectors with subword information. Transactions of the Association for Computational Linguistics, 5, 135-146.