Resumen

Para desbloquear la información presente en la descripción clínica, la clasificación automática de textos médicos es muy útil en el ámbito del procesamiento del lenguaje natural (PLN). Para las tareas de clasificación de textos médicos, las técnicas de aprendizaje automático parecen ser bastante eficaces; sin embargo, requieren un gran esfuerzo por parte de los humanos, para poder crear los datos de entrenamiento etiquetados. Para la investigación clínica y traslacional, se ha recopilado en formato electrónico una enorme cantidad de información detallada de los pacientes, como el estado de la enfermedad, las pruebas de laboratorio, el historial de medicación, los efectos secundarios y los resultados del tratamiento, y sirve como una valiosa fuente de datos para el análisis posterior. Por lo tanto, en el texto médico hay una enorme cantidad de información detallada del paciente, y es todo un reto procesarla de forma eficiente. En este trabajo, se propone un paradigma de clasificación de textos médicos, utilizando dos arquitecturas novedosas de aprendizaje profundo, para mitigar los esfuerzos humanos. El primer enfoque es que se implementa un modelo de aprendizaje profundo de memoria a corto plazo híbrida de cuatro canales (QC-LSTM) utilizando cuatro canales, y el segundo enfoque es que se desarrolla e implementa con éxito un modelo de aprendizaje profundo de unidad recurrente bidireccional (BiGRU) con atención multicabezal. La metodología propuesta se valida en dos conjuntos de datos de texto médico y se realiza un análisis exhaustivo. Los mejores resultados en términos de precisión de clasificación del 96,72% se obtienen con el modelo de aprendizaje profundo QC-LSTM propuesto, y una precisión de clasificación del 95,76% se obtiene con el modelo de aprendizaje profundo híbrido BiGRU propuesto.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:modelo de aprendizaje profundo, clasificación de texto médico, información detallada de los pacientes, precisión de la clasificación, cantidad enorme, técnicas de aprendizaje automático, conjuntos de datos de texto médico, arquitectura de aprendizaje profundo, datos de entrenamiento etiquetados, términos de clasificación
• Keywords:deep learning model, medical text classification, detailed patients information, classification accuracy, huge quantity, machine learning techniques, medical text datasets, deep learning architecture, labeled training data, terms of classification