IPHealthplataforma inteligente basada en open, linked y big data para la toma de decisiones y aprendizaje en el ámbito de la salud

  1. Manuel de Buenaga
  2. Diego Gachet
  3. Manuel J. Maña
  4. Jacinto Mata
  5. L. Borrajo
  6. E. L. Lorenzo
Revista:
Procesamiento del lenguaje natural

ISSN: 1135-5948

Año de publicación: 2015

Número: 55

Páginas: 161-164

Tipo: Artículo

DIALNET GOOGLE SCHOLAR lock_openRUA editor

Otras publicaciones en: Procesamiento del lenguaje natural

Resumen

El proyecto IPHealth tiene como principal objetivo diseñar e implementar una plataforma con servicios que permitan un acceso integrado e inteligente a la información relacionada en el entorno biomédico. Se proponen tres escenarios de uso: (i) la asistencia a los profesionales sanitarios durante el proceso de toma de decisiones en el ámbito clínico, (ii) el acceso a información relevante sobre su estado de salud a pacientes crónicos y dependientes y (iii) el soporte a la formación basada en la evidencia de los nuevos estudiantes de medicina. Se propondrán técnicas más efectivas para diversas técnicas de PLN y extracción de información de grandes conjuntos de datos tanto provenientes de sensores como utilizando conjuntos de datos y texto de libre acceso. Se diseñará una arquitectura y un framework de aplicaciones Web que permita la integración de procesos y técnicas de minería de texto y datos e integración de información de una forma rápida, uniforme y reutilizable (mediante plugins).

Referencias bibliográficas

  • Borrajo, L., Seara, A., Iglesias, E.L. 2015 TCBR-HMM: An HMM-ba se d text classifier with a CBR system, Applied Soft Computing, Volume 26, January2015 , Pages 463-473
  • Crespo, M., Mata, J., Maña, M.J. 2013. Improving image retrieval effectiveness via query expansion using MeSH hierarchical structure Journal of the American Medical Informatics Association, 20(6): 1014-1020
  • Cruz, N.P., Maña, M.J., Mata, J., Pachón, V. 2012. A Machine Learning Approach to Negation and Speculation Detection in Clinical Texts, Journal of the American Society for Information Science and Technology, 63(7): 1398- 1410.
  • Demner-Fushman D, Mork J, Shooshan S, Aronson A. 2010. UMLS content views appropriate for NLP processing of the biomedical literature vs. clinical text. Journal of Biomedical Informatics, 43 (4):587-594.
  • Fernald, G.H., Capriotti, E., Daneshjou, R., Karczewski, K.J., Altman, R.B. 2011. Bioinformatics Challenges for Personalized Medicine. Bioinformatics, 27(13):1741-8
  • Gachet Páez, D., Aparicio, F., de Buenaga, M., y Ascanio, J. R. 2014. Big data and IoT for chronic patients monitoring, UCAmI 2014, pp. 416-423, Belfast, UK
  • Kumar, D. 2011. The personalised medicine. A paradigm of evidence-based medicine. Ann Ist Super Sanita., 47(1):31-40.
  • Pandeya S, Voorsluysa W, Niua S, et al. 2012 An autonomic cloud environment for hosting ECG data analysis services. Future Gener Comp Syst 2012;28:147–54
  • Prajapati, V. 2013. Big data analytics with R and Hadoop. Packt Publishing Ltd.
  • Romero, R., Seara, A., Iglesias, E.L. and Borrajo, L. 2014. BioClass: A Tool for Biomedical Text Classification. En Proceedings of the 8th International Conference on Practical Applications of Computational Biology & Bioinformatics (PACBB 2014), pp. 243-251, Salamanca.
  • Sahoo SS, Jayapandian C, Garg G, Kaffashi F, Chung S, Bozorgi A, et al. 2014 Heart beats in the cloud: distributed analysis of electrophysiological big data using cloud computing for epilepsy clinical research. J Am Med Inform Assoc 2014. Mar-Apr;21(2):263-71.
  • Villa, M., Aparicio, F., Maña, M.J. Buenaga, M. 2012. A Learning Support Tool with Clinical Cases Based on Concept Maps and Medical Entity Recognition. En Proceedings of the International Conference on Intelligent User Interfaces (IUI), pp. 61-70, Lisboa.
Fuente de los datos: Dialnet