Terminologihantering i medicinska loggfiler Terminology management in medical log files

Transkript

1 Terminologihantering i medicinska loggfiler Terminology management in medical log files DIMITRIOS KOKKINAKIS Språkbanken, inst. för svenska språket CLT: Centre for Language Technology Göteborgs universitet dimitrios.kokkinakis@svenska.gu.se

2 Översikt Motivering / Syfte Bakgrund: 1177 Vårdguidens sökloggar Sökloggarnas anatomi Medicinska närsynonymer och termvariation Terminologihantering++ SNOMED CT; NPL; NER; Kvar? Resultat Sammanfattning

3 Motivering / Syfte Växande behov av koppling mellan fack- och allmänspråk för praktiska (medicinskt orienterade) tillämpningar, t.ex. underlätta förståelse av lekmans ordförråd Använda terminologin som stöd för t.ex. informations- och kunskapsutvinning Brist på täckande medicinska (elektroniska) termlistor med integrerad utförlig språklig & medicinsk information för lekmän Applikationer med indata som innehåller både fackspråk och allmänspråk Hur ställer man frågor till en hälsoportal? Blir man påverkad av Google-liknande sätt att ställa frågor? Kan man få en överblick över vilka begrepp finns i loggar? Kan SNOMED CT och andra terminologiska resurser fånga termanvändningen i dessa loggar?

4 Data: 1177 Vårdguidens sökloggar Loggfil: en fil som registrerar alla aktiviteter när man interagerar med en webbplats, en portal eller ett datorsystem. Loggfilerna kan användas för att förstå aktiviteten i sådana miljöer och kan ge viktig information över användarnas beteende, sökfrågor, behov, intressen, sidor man besöker mm.

5 1177 Vårdguidens Loggar: Loggarnas anatomi sökfrågor fr till normaliserade sökfrågor (dvs. tokeniserade; alla i gemener; unika förekomster) sökfrågor/månad 1,56 ord/sökfråga Mest frekventa sökfrågor: % av antal ord i sökfrågor: # Sökfråga akutmottagning vårdcentral sex och samlevnad säsongsinfluensan vaccination tandvård barnavårdscentral barnmorskemottagning #ord # % 1* % % % % % % %

6 1177 Vårdguidens Loggar: Loggarnas innehåll Q FC DFE4A6E63FCE7C2607FC Värk rygg huvud bäcken hidden:(meta:category:pagetype;article AND meta:category: PageType;Mobile ) = 8 1 -N - sv = = =

7 1177 Vårdguidens Loggar: Loggarnas termer Systematized Nomenclature Of Medicine Clinical Terms (SNOMED CT) ca 250,000 termer + 230,000 varianter Nationellt Produktregister för Läkemedel (NPL) ca 11,246 termer Namnentitets igenkänning olika kategorier (person, plats, organization, tid ) Vad finns det kvar???

8 Närsynonymer och termvariation Termvariation: alternativa namn för ett begrepp. T. ex., lumbago, ryggskott eller ländryggssmärta är varianter (av synonymtyp) kan användas omväxlande Inom samma text kan en term uppvisa stor variation en stötesten för många tillämpningar variantformer måste identifieras och länkas till etablerade terminologiska eller ontologiska resurser Utveckla rutiner för att hantera/fånga termvariation är ett nödvändigt steg för ett flertal mer avancerade tillämpningar inom språkteknologi

9 Närsynonymer och termvariation 1/7 morfologisk variation böjnings- och avledningssuffix hjärtsjukdom => hjärtsjukdomar; ödem => ödematösa strukturell variation: NP:er från sammansättningar mikroalbuminurimätning => mätning av mikroalbuminuri strukturell variation: sammansättningar från NP:er undersökning av fot => fotundersökning strukturell variation: (vissa typer av) koordineringar hjärt- och njursvikt => hjärtsvikt och njur svikt partiell matchning mha sammansättningssegmentering abstinenskramper => <abstinens><kramper> stressinkontinens => <stress><inkontinens> utmattningsdepressioner => <utmattnings><depressioner>

10 Närsynonymer och termvariation 2/7 vissa typer av akronymer och förkortningar apolipoprotein b-a1 => apob/apoa1 vissa typer av ellipsis och andra typer av koordineringar supraventrikulär och ventrikulär takykardi NYHA-klass III eller IV modifieringar & ersättningar: sifferomvandling; utelämning/tillägg av bindestreck; utelämning av vissa funktionsord och/eller skiljetecken NYHA typ 2 => NYHA typ II Romano-Wards syndrom => Romano Wards syndrom diabetes mellitus typ 1 => diabetes typ 1 nya termvarianter: felstavningar trokanterit; trochanterit; throkanterit

11 Närsynonymer och termvariation 3/7 nya termer i SNOMED läkemedelsnamn via aktivsubstans (FASS) P :.. eh lugnande, jag tar bara Lyrica innan jag sover SNOMED överföring av en del av MeSH-synonymer smärta i ländryggen MeSH SNOMED

12 Närsynonymer och termvariation 4/7 Ur Stomiboken, 2010, ConvaTec Carpa: förening som vänder sig till patienter med hormonproducerande tumörer < Nätverk för Insamling och sammanställning av kunskap om prostatit <home.swipnet.se/isop/>

13 Ur svensk ordbok Närsynonymer och termvariation 5/7 Stavfel: mäta avståndet mellan två strängar (Levenshteinavståndet) testat endast avstånd 1 och 2 + posteditering! 779 trokanterit 638 trochanterit 77 Trochanterit 65 Trokanterit 15 throkanterit 11 trokanter Mönstermatchning i korpora t ex ur Läkartidningen: parentetisk info.

14 Närsynonymer och Termvariation 6/7 Vektorrymdsmodell: sökfrågor representeras som vektorer; algoritmer hittar ord som förekommer i liknande kontext Mikolov T., Chen K., Corrado G., and Dean J Efficient Estimation of Word Representations in Vector Space. Proc of ICLR.

15 Terminologihantering: steg 1 SNOMED CT # SNOMED CT Loggvarianter influensa influenza; influnsa; influenssa; influ utslag uslag; prikor; prikar vattkoppor vattenkoppor sjukdom i mag-tarmkanal mag-tarmkanalssjukdom tonsillit halsfluss; vita prickar i hals infektionssjukdom i urinvägar urinväxtinfektion; urininfenktion pneumoni luninflamation; lugninflammastjon allergi allregin; allergiska symtom impetigo svinkoppa; svinkoppar förkylning förkyldning; förkyld kräkning kräkts; vomera; kräkn.; krekning

16 Terminologihantering: steg 1 SNOMED CT Juli, 2011 Jan Juli, 2012 Juli, 2013 Jan Jan. 2013

17 Terminologihantering: steg 1 SNOMED CT

18 Terminologihantering: steg 2 NPL # Produkt laktos V04CX alvedon N02BE waran B01AA kåvepenin J01CE gardasil J07BM ipren M01AE01#M02AA kalcium A12AA 6142 levaxin H03AA magnesium A12CC 5203 folsyra B03BB diklofenak M01AB05 # ATC-koder i 1177 Vårdguiden N Nervsystemet J Infektionssjukdomar A - Matsmältningsorgan och ämnesomsättning B - Blod och blodbildande organ V Varia M Rörelseapparaten R Andningsorganen C -Hjärta och kretslopp G - Urin- och könsorgan samt könshormoner D -Hud

19

20

21 Terminologihantering: steg 2 NPL A - Matsmältningsorgan och ämnesomsättning B - Blod och blodbildande organ J Infektionssjukdomar

22 Terminologihantering: steg 3 NER # Entitetstyp Exempel PERSON-ENT claes Granstrand; barbara flur PLACE-ENT järfälla; Årsta; SÖDERMALM FUNCT-ENT dalens vårdcentral; BVC Björken GROUP-ENT unga vuxna; diabetiker; kvinnor ORGZ-ENT Carema; AB S:t Erik vård DRUG-ENT antidepressiva; gardasil; trombyl FUNCT-ENT+PLACE-ENT Ortho Center Stockholm PERSON-ENT+PLACE-ENT Bodil Hofvander Kungsholmen TIME-ENT på morgonen; nu; 5 maj; flera veckor ORGZ-ENT+PLACE-ENT Bräcke Diakoni Mösseberg

23 Terminologihantering steg 4 Vad finns det kvar? Vårdkontaktstermer Administrationstermer Akronymer Förkortningar

24 Terminologihantering steg 4 # Toppen på omatchade poster akutmottagning vårdcentral sex och samlevnad tandvård barnavårdscentral barnmorskemottagning närakut hälsocentral cancer sjukhus mödravård min hälsoplan oroliga ben cirkulations organ coca cola spyr skum själmord försök shaken baby (71) spyfärdig oroligmage spykiatri (36) ofostrig gravidite alkohollist periodare ccp läcccccccccccccccccckage Pcd

25 Sammanfattning Datorbaserad, semantisk bearbetning av stora textmaterialet blir allt mer eftertraktade av forskare inom olika discipliner särskilt semantiskt förädlade korpora utgör en resurs som bidrar till utveckling inte minst i flervetenskapliga sammanhang Utfört olika korpusbaserade studier för att få en bild på sökloggarnas terminologiinnehåll Lyft fram några frågor som kräver ytterligare utredning, t.ex. hur vi kan bäst hantera termvariation Trots att stora medicinska termresurser finns tillgängliga, automatiska korpusbaserade metoder behövs som ett viktigt komplement till allt som erbjuds Olika typer av textdata verkar använda olika sätt att uttrycka termer svårt att skapa en modell för att täcka all texttyper Tydlig påverkan av Google-typ av sökningar