BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//Departamento de Computación - ECPv6.15.18//NONSGML v1.0//EN
CALSCALE:GREGORIAN
METHOD:PUBLISH
X-WR-CALNAME:Departamento de Computación
X-ORIGINAL-URL:https://www.dc.uba.ar
X-WR-CALDESC:Eventos para Departamento de Computación
REFRESH-INTERVAL;VALUE=DURATION:PT1H
X-Robots-Tag:noindex
X-PUBLISHED-TTL:PT1H
BEGIN:VTIMEZONE
TZID:America/Sao_Paulo
BEGIN:STANDARD
TZOFFSETFROM:-0300
TZOFFSETTO:-0300
TZNAME:-03
DTSTART:20240101T000000
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
DTSTART;TZID=America/Sao_Paulo:20250411T113000
DTEND;TZID=America/Sao_Paulo:20250411T123000
DTSTAMP:20260519T033109
CREATED:20250404T172458Z
LAST-MODIFIED:20250404T172604Z
UID:9846-1744371000-1744374600@www.dc.uba.ar
SUMMARY:Defensa Tesis Licenciatura Javier Petri
DESCRIPTION:Título: Extracción de información de Historias Clínicas Electrónicas escritas en español para realizar inteligencia epidémica\nDirectora: Viviana Cotik\nCo-Directora: Pilar Bárcena Barbeira\nJurados: Martina Pesce\, Juan Manuel Pérez \nResumen:\nLas historias clínicas son una herramienta fundamental para la atención médica. La creciente adopción de las historias clínicas electrónicas facilita la extracción automática de datos para realizar análisis que permitan detectar brotes de enfermedades de forma temprana y tomar decisiones basadas en datos\, contribuyendo así a la vigilancia basada en eventos. \nEsta tesis aborda dos tareas principales: la detección automática de síntomas asociados a cinco síndromes de interés —síndrome febril agudo inespecífico\, COVID-19\, diarrea\, neumonía y enfermedad tipo influenza— y la clasificación de historias clínicas en cuanto a la presencia\, sospecha o ausencia de COVID-19. Para lograr estos objetivos\, se utilizaron corpus de historias clínicas electrónicas escritas en español provenientes del sistema de salud argentino\, previamente anotadas por expertos\, así como métodos avanzados del procesamiento del lenguaje natural. \nPara la primer tarea utilizamos 6.228 historias clínicas etiquetadas y aproximadamente 1 millón de historias clínicas no etiquetadas. Nuestro enfoque consistió en ajustar (i.e. realizar el fine-tuning) modelos de reconocimiento de entidades nombradas del estado del arte\, incluyendo BiLSTM-CRF y modelos basados en transformers de la familia de BERT y RoBERTa. Nos enfocamos en modelos orientados al dominio y a la tarea para mejorar el rendimiento: los primeros fueron pre-entrenados en corpus biomédicos\, mientras que los últimos fueron pre-entrenados adicionalmente en nuestras historias clínicas no etiquetadas. A pesar de las limitaciones computacionales con las que contamos para entrenar nuestros modelos\, estos demostraron resultados prometedores. En particular\, RoBERTa-Clinico\, un transformer preentrenado en nuestro corpus no etiquetado\, alcanzó el mejor rendimiento con un micro recall de 79.30 y un micro F1-score de 70.83\, resultados comparables a los reportados en estudios similares. \nPara la tarea de clasificación\, se utilizaron 4.996 historias clínicas etiquetadas y se implementaron modelos basados en transformers de la familia BERT y RoBERTa\, adaptados al español y al dominio clínico. Los resultados de estos modelos se compararon con los obtenidos previamente por un proyecto anterior que incluyó la implementación de algoritmos clásicos de aprendizaje automático como la regresión logística. Los modelos basados en transformers\, al igual que en la tarea de detección de síntomas\, fueron preentrenados en grandes corpus de texto biomédico y luego ajustados con nuestro conjunto de datos sin etiquetar. Uno de esos modelos\, BETO Clínico\, una variante de BERT para el español\, ajustado posteriormente con nuestros datos\, alcanzó un micro F1 del 88.1%\, superando por un margen pequeño pero significativo el 85.1% obtenido por regresión logística\, siendo este el mejor de los modelos más sencillos.
URL:https://www.dc.uba.ar/event/defensa-tesis-licenciatura-javier-petri/
LOCATION:Sala 1606
CATEGORIES:Agenda
END:VEVENT
END:VCALENDAR