Extracción de datos mediante procesamiento de lenguaje natural en terapias de adicción a cocaína

• J. Tapia-Galisteo ^[1] ; J.M. Iniesta-Chamorro ^[1] ; C. Pérez-Gandía1,2 ; G. García-Sáez ^[1] ; A. Campos-Blanco ^[1] ; D. Urgeles ^[2] ; F.J. Izquierdo ^[3] ; M.E. Hernando ^[4]
  1. [1] Universidad Politécnica de Madrid

     Universidad Politécnica de Madrid

     Madrid, España

     
  2. [2] Servicio de Psiquiatría. Responsable de I+D+I. Nuestra Señora de la Paz, Madrid, España,
  3. [3] Natural Language Processing expert. IBM Analytics, Madrid, Spain
  4. [4] Centro de Investigación Biomédica en Red de Bioingeniería, Biomateriales y Nanomedicina, CIBER, Madrid, España

  Mostrar afiliaciones +
• Localización: Libro de Actas del XXXVI Congreso Anual de la Sociedad Española de Ingeniería Biomédica / Ma Gloria Bueno García (dir.), 2018, ISBN 978-84-09-06253-9, págs. 39-42
• Idioma: español
• Texto completo no disponible (Saber más ...)
• Resumen

  • Un rasgo común de los programas de rehabilitación de pacientes con adicción a la cocaína es una alta tasa de abandonos. El éxito del tratamiento está fuertemente ligado a la adherencia al mismo y el abandono se convierte en un grave problema para los sistemas sanitarios, debido principalmente a que implica un gran consumo de recursos especializados, que son costosos y con largas listas de espera. Por otro lado, la información de la que se dispone en este tipo de recursos sanitarios suele carecer de una estructura apropiada para el análisis al encontrarse en informes o documentos de texto libre. El objetivo del trabajo descrito en este artículo es utilizar técnicas de procesamiento del lenguaje natural (PLN) para extraer el conocimiento no estructurado procedente de los informes de derivación de los pacientes, permitiendo generar una base de datos estructurada sobre la que se puedan cimentar los futuros desarrollos. Este trabajo se enmarca en el contexto del proyecto PROTheOS, cuya motivación de investigación es crear un sistema de ayuda a la decisión para la planificación de las redes terapéuticas en adicción a la cocaína mediante el desarrollo de modelos predictivos. Para crear y entrenar el módulo PLN se han utilizado 103 informes de derivación, mientras que para la validación se han utilizado 20, de los cuales se extraen hasta 94 variables o características por informe. Se han comparado los resultados del módulo frente a la extracción manual, obteniendo un porcentaje de discrepancia del 5,22% en el conjunto de entrenamiento y del 6,21% en el conjunto de validación, lo que se observa como un hallazgo positivo y permite concluir que este módulo PLN es útil para la extracción automática de información en el contexto bajo estudio.