Hermann-Paul-Centrum für Linguistik Nutzung von Termhäufigkeiten bei der medizinischen Dokumentenrecherche Stefan Schulz, Kornél Markó, Rüdiger Klar Universitätsklinikum Freiburg Abteilung Medizinische Informatik
Medizinische Informatik in Freiburg Medizinische Informatik Direktor Prof. Dr. Klar Wissenschaftliche Schwerpunkte Patientenbezogene Dienste: Krankenhausinformationssystem Patientenunabhängige Auskunfts- und Wissensdienste Grundlagen zur Modellierung medizinischer Konzepte Begriffliche Ordnungssysteme in der Medizin Konzepte zur Integration von Elektronischer Patientenakte und medizinischen Wissensdiensten Text-Retrieval / Cross-Language Retrieval
Medizinische Suchmaschinen Dokumentenrecherche Medizinische Suchmaschinen Unterschiedliche Dokumentenarten Mehrsprachigkeit Diverse Nutzergruppen Hohe sprachliche Variabilität Dokumentenumfang
Nutzung von Termhäufigkeiten bei der medizinischen Dokumentenrecherche Kontext: Semantische Indexierung Termhäufigkeiten zur lexikalischer Disambiguierung Termhäufigkeiten zum Relevanz-Ranking Termhäufigkeiten bei der Lexikonvalidierung
Nutzung von Termhäufigkeiten bei der medizinischen Dokumentenrecherche Kontext: Semantische Indexierung Termhäufigkeiten zur lexikalischer Disambiguierung Termhäufigkeiten zum Relevanz-Ranking Termhäufigkeiten bei der Lexikonvalidierung
Konventionelle Suchtechnologien Todesursachenstatistik Statistik Todesursachen Statistik Todesursache
Konventionelle Suchtechnologien Todesursachenstatistik Statistik Todesursachen Statistik Todesursache
Anstieg der Cholestase-parameter Konventionelle Suchtechnologien Anstieg der Cholestase-parameter
Anstieg der Cholestase-parameter Konventionelle Suchtechnologien Anstieg der Cholestase-parameter
Anstieg der Cholestase-parameter Konventionelle Suchtechnologien Anstieg der Cholestase-parameter
Anstieg der Cholestase-parameter Konventionelle Suchtechnologien Anstieg der Cholestase-parameter
Problem Variabilität fachsprachlicher Ausdrücke beeinträchtigt Rechercheergebnis Maschinelle Indexierung (z.B. Web-Suchmaschinen) semantisch „blind“ Manuelle Indexierung (z.B. MEDLINE) aufwendig Morphosaurus-Ansatz: lexikonbasierte automatische semantische Indexierung
Semantische Indexierung durch MORPHOSAURUS Subwort Lexikon: Subwort Thesaurus: Gruppierung von synonymen Subwörtern gastr stomach Magen ventric chamber hepat, hepar liver leber -itis, inflamm, entzünd nephr- ren- kidney niere #GASTR #CHAMBER #HEPAR #INFLAMM Hier noch ein kurzer Überblick über die Beschaffenheit der Ressourcen, die wir verwenden: Im Lexikon wird eine Liste von Subwörtern verwaltet. Diese werden im Thesaurus zu Äquivalenzklassen gruppiert und erhalten einen eindeutigen Bezeichne. KLICK #NEPHR
Semantische Indexierung durch MORPHOSAURUS High TSH values suggest the diagnosis of primary hypo-thyroidism ... Original Erhöhte TSH-Werte erlauben die Diagnose einer primären Schilddrüsenunterfunktion ...
Semantische Indexierung durch MORPHOSAURUS High TSH values suggest the diagnosis of primary hypo-thyroidism ... Original Erhöhte TSH-Werte erlauben die Diagnose einer primären Schilddrüsenunterfunktion ... high tsh values suggest the diagnosis of primary hypo-thyroidism ... erhoehte tsh werte erlauben die diagnose einer primaeren schilddruesenunterfunktion ... Orthografische Regeln Normalisierung
Semantische Indexierung durch MORPHOSAURUS High TSH values suggest the diagnosis of primary hypo-thyroidism ... Original Erhöhte TSH-Werte erlauben die Diagnose einer primären Schilddrüsenunterfunktion ... high tsh values suggest the diagnosis of primary hypo-thyroidism ... erhoehte tsh werte erlauben die diagnose einer primaeren schilddruesenunterfunktion ... Orthografische Regeln Normalisierung high tsh value s suggest the diagnos is of primar y hypo thyroid ism er hoeh te tsh wert e erlaub en die diagnos e einer primaer en schilddruese n unter funktion Zerlegungsalgorithmus Subwort-Lexikon
Semantische Indexierung durch MORPHOSAURUS High TSH values suggest the diagnosis of primary hypo-thyroidism ... Original Erhöhte TSH-Werte erlauben die Diagnose einer primären Schilddrüsenunterfunktion ... high tsh values suggest the diagnosis of primary hypo-thyroidism ... erhoehte tsh werte erlauben die diagnose einer primaeren schilddruesenunterfunktion ... Orthografische Regeln Normalisierung high tsh value s suggest the diagnos is of primar y hypo thyroid ism er hoeh te tsh wert e erlaub en die diagnos e einer primaer en schilddruese n unter funktion Zerlegungsalgorithmus Subwort-Lexikon Interlingua (Semantische Deskriptoren) #up tsh #value #suggest #diagnost #primar #hypo #thyre #up tsh #value #permit #diagnost #primar #thyre #hypo #function Subwort- Thesaurus Semantische Normalisierung
Semantische Indexierung durch MORPHOSAURUS High TSH values suggest the diagnosis of primary hypo-thyroidism ... Original Erhöhte TSH-Werte erlauben die Diagnose einer primären Schilddrüsenunterfunktion ... high tsh values suggest the diagnosis of primary hypo-thyroidism ... erhoehte tsh werte erlauben die diagnose einer primaeren schilddruesenunterfunktion ... Orthografische Regeln Normalisierung high tsh value s suggest the diagnos is of primar y hypo thyroid ism er hoeh te tsh wert e erlaub en die diagnos e einer primaer en schilddruese n unter funktion Zerlegungsalgorithmus Subwort-Lexikon Interlingua (Semantische Deskriptoren) #up tsh #value #suggest #diagnost #primar #hypo #thyre Semantische Normalisierung #up tsh #value #permit #diagnost #primar #thyre #hypo #function Subwort- Thesaurus
Sprachübergreifende Suche mit MORPHOSAURUS
Sprachübergreifende Suche mit MORPHOSAURUS
Sprachübergreifende Suche mit MORPHOSAURUS Korrelation von Hypertonie und Läsion der Weißen Substanz…
#correl #hyper #tens #lesion #whit #matter Sprachübergreifende Suche mit MORPHOSAURUS Korrelation von Hypertonie und Läsion der Weißen Substanz… #correl #hyper #tens #lesion #whit #matter
#correl #hyper #tens #lesion #whit #matter Sprachübergreifende Suche mit MORPHOSAURUS Korrelation von Hypertonie und Läsion der Weißen Substanz… #correl #hyper #tens #lesion #whit #matter
Benutzerfreundlichkeit Todesursachenstatistik Statistik Todesursache Statistik Todesursachen
Benutzerfreundlichkeit Todesursachenstatistik Statistik Todesursache Statistik Todesursachen
Mehrsprachigkeit Behandlung Hirnhautentzündung automatic all
Mehrsprachigkeit Behandlung Hirnhautentzündung automatic all
Nutzung von Termhäufigkeiten bei der medizinischen Dokumentenrecherche Kontext: Semantische Indexierung Termhäufigkeiten zur lexikalischer Disambiguierung Termhäufigkeiten zum Relevanz-Ranking Termhäufigkeiten bei der Lexikonvalidierung
Mehrdeutigkeit Quellen von Mehrdeutigkeiten sind lexikalische Ressourcen (vgl. WordNet) „Bruch“ -> {#fraktur, #hernie} Ohne Weltwissen nicht interpretierbar: „Bruch des Kleinfingers“, „Bruch in der Leiste“ Alternative: Kontextinformationen und Wortstatistiken zur Disambiguierung
Corpusstatistik w = 4
Corpusstatistik [#fraktur #finger] = 3 w = 4
[#finger #unterbrech] = 1 Corpusstatistik [#fraktur #finger] = 3 [#finger #unterbrech] = 1
Corpusstatistik [#fraktur #finger] = 3 [#finger #unterbrech] = 1 [#unterbrech #kontin.] = 1 .
Disambiguierung Ambiguität von „Bruch des Fingers“: [{ #fraktur,#hernie} #finger] [#fraktur #finger] = 3 [#hernie #finger] = 0 -> mit „Bruch“ ist „Fraktur“ gemeint…
Nutzung von Termhäufigkeiten bei der medizinischen Dokumentenrecherche Kontext: Semantische Indexierung Termhäufigkeiten zur lexikalischer Disambiguierung Termhäufigkeiten zum Relevanz-Ranking Termhäufigkeiten bei der Lexikonvalidierung
Termhäufigkeiten zum Relevanz-Ranking Anfrage: „Statistik Todesursache“ Welches Dokument passt am besten zur Anfrage?
Termhäufigkeiten zum Relevanz-Ranking TF/IDF: Term-Frequenz/Inverse Dokument-Frequenz Prinzip: statistische Ermittlung der „Wichtigkeit“ von einzelnen Wörtern Prämisse: Wörter, welche in einem Dokument häufig, in anderen aber sehr selten sind, sind gute Deskriptoren des Dokumenteninhalts
Termhäufigkeiten zum Relevanz-Ranking Inverse Dokument-Frequenz anhand einer Kollektion von 1 Mio Dokumenten: „Todesursache“ kommt in 100 Dokumenten vor. IDF(Todesursache)=: 100/1000000=0.0001 „Statistik“ kommt in 1000 Dokumenten vor. IDF(Statistik) = 1000/1000000=0.001 Termfrequenz anhand von Dokument 1 „Todesursache kommt 3mal vor, „Statistik“ 1mal und insgesamt beinhaltet das Dokument 100 Wörter. TF(Todesursache) = 3/100 = 0.03 TF(Statistik) = 1/100 = 0.01 Termfrequenz anhand von Dokument 2 „Todesursache“ kommt 2mal vor, „Statistik“ 7mal und insgesamt hat das Dokument 300 Wörter. TF(Todesursache) = 2/300 = 0.007 TF(Statistik) = 7/300 = 0.023 Das Ranking ergibt sich aus dem Verrechnen von TF und IDF: Dokument 1: (0.03/0.0001) * (0.01/0.001) = 300 * 10 = 3000 Dokument 2: (0.007/0.0001) * (0.023/0.001) = 70 * 23 = 1610 Dokument 1 erhält ein besseres Ranking, obwohl Dokument 2 insgesamt mehr Treffer aufweist!
Nutzung von Termhäufigkeiten bei der medizinischen Dokumentenrecherche Kontext: Semantische Indexierung Termhäufigkeiten zur lexikalischer Disambiguierung Termhäufigkeiten zum Relevanz-Ranking Termhäufigkeiten bei der Lexikonvalidierung
Vergleichbare Korpora in unterschiedlichen Spachen Sprache 1 Sprache 2 Sprache 3 Diabetes mellitus tipo 1 (ya no debe usarse el término Diabetes Insulino dependiente) Característicamente se da en la época temprana de la vida y se debe a un deficit absoluto de insulina, dado por la destrucción de las células beta del páncreas por procesos autoinmunes ó idiopáticos. Sólo cerca de 1 entre cada 20 personas diabéticas tiene diabetes tipo 1, la cual se presenta más frecuentemente en jóvenes y niños. Este tipo de diabetes se conocía como diabetes mellitus insulinodependiente o diabetes juvenil. En ella, las células beta del páncreas no producen insulina o apenas producen. En los primeros años de la enfermedad suelen quedar reservas pancreáticas que permiten una secreción mínima de insulina (este período se denomina luna de miel). Diabetes Typ 1 Bei diesem Krankheitstyp zerstört das körpereigene Immunsystem selbst im Rahmen einer Entzündungsreaktion die insulinproduzierenden Betazellen in der Bauchspeicheldrüse. Diese Entzündungsreaktion setzt wahrscheinlich bereits in frühester Kindheit ein. Die daraus folgende Zerstörung der insulinproduzierenden Betazellen führt nach und nach zu einem zunehmenden Insulinmangel. Erst wenn ca. 80-90 Prozent der Beta-Zellen zerstört sind manifestiert sich ein Typ-1-Diabetes. In der Anfangsphase der Erkrankung ist also durchaus noch eine kleine Insulinrestproduktion vorhanden. Type 1 diabetes mellitus Type 1 diabetes mellitus — formerly known as insulin-dependent diabetes (IDDM), childhood diabetes, is characterized by loss of the insulin-producing beta cells of the islets of Langerhans of the pancreas leading to a deficiency of insulin. It should be noted that there is no known preventative measure that can be taken against type 1 diabetes. Most people affected by type 1 diabetes are otherwise healthy and of a healthy weight when onset occurs. Diet and exercise cannot reverse or prevent type 1 diabetes. Sensitivity and responsiveness to insulin are usually normal, especially in the early stages. kindiiqzyqa 1 diabetesiiiryxa candiwijixa kindiiqzyqa 1 diabetesiiiryxa candiwijixa — formeriiijyxa knowledgiiiprqa insuliniiqwrwa - {referriiiijqa,addictiiiiqka} diabetesiiiryxa ( iddm ) , childreniijxjza diabetesiiiryxa , featuriikqjra lostiiqpxka insuliniiqwrwa - productiiiyjya betaiiipxya cellulrijzyqa isletiijrjka langerhansiikirxa pancreatiiqxira {plumbiiiqjya,leaderijqirpa,ledijzjrka,deriviiirxka} deficriprzra insuliniiqwrwa . noted nooneiiirxqa knowledgiiiprqa precautiiipyya {activitiiiizpa,mensurationiixwika} {kannerikyik,couldiiiiiya,lataijwipz} {beveragiiipjia,extractiiiywra,gripiijkipa,genommiikryi,tomadikqypz} againstiiijyra kindiiqzyqa 1 diabetesiiiryxa . mostiizrpwa {nationiikzrya,someoneiijpyxa} {loveiikjwwa,infestatiiipqwa} kindiiqzyqa 1 diabetesiiiryxa healthiijjiwa diabetesiiiryxa candiwijixa {kindiiqzyqa,guyijwpkka, speciesippjxwa} hum ( ya nooneiiirxqa debe usediiqkyxa el stoppiijqwpa diabetesiiiryxa insuliniiqwrwa {referriiiijqa,addictiiiiqka} ) featuriikqjra se da iniiiqija la epoca precociijijra la vida se debe a un deficit absolutiiiikpa insuliniiqwrwa , dado viaijpiwpa la nooneiiirxqa changiiiiwqa las cellulrijzyqa beta del pancreas viaijpiwpa {vorgangripiqx,techniqueiikqpja,decursipqyxp,lawsuitriqzqxa} selfiijrria imunipyqpza opippwqa idio pathiiiyiia os . justijqjjqa cerca hum entre cada dois zero someoneiijpyxa diabetesiiiryxa tiene diabetesiiiryxa {kindiiqzyqa,guyijwpkka,speciesippjxwa} hum , la cual se showijpiqqa morerijyqpa frequentriqjwia iniiiqija diabetesiiiryxa {kindiiqzyqa,guyijwpkka,speciesippjxwa} 1 pathiiiyiia {kindiiqzyqa,guyijwpkka,speciesippjxwa} destriiprwqa somaliijxxza selfiijrria imunipyqpza systemiiqipra iniiiqija frameiijizqa phlogistiiixxka reactiizwrxa insuliniiqwrwa productiiiyjya betaiiipxya cellulrijzyqa iniiiqija pancreatiiqxira . phlogistiiixxka reactiizwrxa sitijwwkya likeliijrkjka iniiiqija precociijijra esteriiiykra childreniijxjza . {aftereffectiiizypa,followiiipqza} destriiprwqa insuliniiqwrwa productiiiyjya betaiiipxya cellulrijzyqa ledijzjrka reariiipjxa reariiipjxa highgrade_extent_or_weightrikxxka insuliniiqwrwa deficriprzra . primariiiyiya 80 - 90 percentipjwwka beta - cellulrijzyqa destriiprwqa manifestiikpixa {kindiiqzyqa,guyijwpkka,speciesippjxwa} - 1 - diabetesiiiryxa . iniiiqija incipientiiiwqwa phasiiiykwa .
Häufigkeit semantischer Deskriptoren diabetesiiiryxa candiwijixa {kindiiqzyqa,guyijwpkka, speciesippjxwa} hum ( ya nooneiiirxqa debe usediiqkyxa el stoppiijqwpa diabetesiiiryxa insuliniiqwrwa {referriiiijqa,addictiiiiqka} ) featuriikqjra se da iniiiqija la epoca precociijijra la vida se debe a un deficit absolutiiiikpa insuliniiqwrwa , dado viaijpiwpa la nooneiiirxqa changiiiiwqa las cellulrijzyqa beta del pancreas viaijpiwpa {vorgangripiqx,techniqueiikqpja,decursipqyxp,lawsuitriqzqxa} selfiijrria imunipyqpza opippwqa idio pathiiiyiia os . justijqjjqa cerca hum entre cada dois zero someoneiijpyxa diabetesiiiryxa tiene diabetesiiiryxa {kindiiqzyqa,guyijwpkka,speciesippjxwa} hum , la cual se showijpiqqa morerijyqpa frequentriqjwia iniiiqija diabetesiiiryxa {kindiiqzyqa,guyijwpkka,speciesippjxwa} 1 pathiiiyiia {kindiiqzyqa,guyijwpkka,speciesippjxwa} destriiprwqa somaliijxxza selfiijrria imunipyqpza systemiiqipra iniiiqija frameiijizqa phlogistiiixxka reactiizwrxa insuliniiqwrwa productiiiyjya betaiiipxya cellulrijzyqa iniiiqija pancreatiiqxira . phlogistiiixxka reactiizwrxa sitijwwkya likeliijrkjka iniiiqija precociijijra esteriiiykra childreniijxjza . {aftereffectiiizypa,followiiipqza} destriiprwqa insuliniiqwrwa productiiiyjya betaiiipxya cellulrijzyqa ledijzjrka reariiipjxa reariiipjxa highgrade_extent_or_weightrikxxka insuliniiqwrwa deficriprzra . primariiiyiya 80 - 90 percentipjwwka beta - cellulrijzyqa destriiprwqa manifestiikpixa {kindiiqzyqa,guyijwpkka,speciesippjxwa} - 1 - diabetesiiiryxa . iniiiqija incipientiiiwqwa phasiiiykwa . kindiiqzyqa 1 diabetesiiiryxa candiwijixa kindiiqzyqa 1 diabetesiiiryxa candiwijixa — formeriiijyxa knowledgiiiprqa insuliniiqwrwa - {referriiiijqa,addictiiiiqka} diabetesiiiryxa ( iddm ) , childreniijxjza diabetesiiiryxa , featuriikqjra lostiiqpxka insuliniiqwrwa - productiiiyjya betaiiipxya cellulrijzyqa isletiijrjka langerhansiikirxa pancreatiiqxira {plumbiiiqjya,leaderijqirpa,ledijzjrka,deriviiirxka} deficriprzra insuliniiqwrwa . noted nooneiiirxqa knowledgiiiprqa precautiiipyya {activitiiiizpa,mensurationiixwika} {kannerikyik,couldiiiiiya,lataijwipz} {beveragiiipjia,extractiiiywra,gripiijkipa,genommiikryi,tomadikqypz} againstiiijyra kindiiqzyqa 1 diabetesiiiryxa . mostiizrpwa {nationiikzrya,someoneiijpyxa} {loveiikjwwa,infestatiiipqwa} kindiiqzyqa 1 diabetesiiiryxa healthiijjiwa 1000 100 10 1
Portugiesisch/ Englisch MID MIDCod f1 f2 Sa Sd S Peopleriixypa 500783 6352 0,1466 1,0000 0,7155 Fromiwiixxa 060077 4676 0,1079 0,7026 Icasikprrr 023555 3022 0,0697 0,6899 Lttroriiyira 500805 10 3331 0,0771 0,9940 0,6884 Mostiizrpwa 009536 2783 0,0642 0,6881 Enteikywjw 028616 2069 0,0477 0,6826 Icakiirwy 200568 1945 0,0449 0,6816 Sometimerijixja 501071 1708 0,0394 0,6798 Pressureiiipkza 000329 1833 2 0,0423 0,9978 0,6793 Portugiesisch/ Englisch MID MIDCod f1 f2 Sa Sd S zpippxra 303375 1 3428 0,0590 0,9994 0,6859 keinemrikzrp 502953 1803 0,0310 1,0000 0,6770 barriqrqp 504543 1021 0,0176 0,6725 eingesetztijiikr 010025 972 0,0167 0,6722 ipippry 303358 956 0,0165 dispensatrijiyya 501088 845 0,0145 0,6715 langerrikzzwa 502996 780 0,0134 0,6711 siterijjrka 501152 681 0,0117 0,6706 Deutsch / Englisch
Zusammenfassung
Vielen Dank! Kontakt: stschulz@uni-freiburg.de Medizinische Informatik
Proof-of-Concepts I Deutsche Zentralbibliothek für Medizin (ZBMed), Köln: Bibliographische Suche über 300.000 einsprachige Dokumente Deutsches Institut für Medizinische Dokumentation und Klassifikation (DIMDI), Köln: Bibliographische Suche über 600.000 mehrsprachige Dokumente Health on the Net Foundation (HON), Genf: Studie mit 5,000 Dokumenten Hautklinik Freiburg: „Google“-Suche für patientenbezogene Daten (EPA)
Proof-of-Concepts II Hautklinik Freiburg:
Proof-of-Concepts III ICD Kodierbrowser: Suche in 15,278 ICD-Codes
OHSUMED-Corpus (Hersh et al., 1994) Evaluation OHSUMED-Corpus (Hersh et al., 1994) Untermenge von MEDLINE ~300,000 englische Dokumente 106 englische Benutzeranfragen, von Experten übersetzt ins Deutsche, Portugiesische, Spanische, Französische und Schwedische Relevanz der Dokumente manuell markiert
Evaluation 121% 111% 99% 84% 79% 79%
Hermann-Paul-Centrum für Linguistik Probabilistische Methoden in der Anwendung und Pflege eines medizinischen Dokumentenrecherchesystems Stefan Schulz, Kornél Markó, Rüdiger Klar Universitätsklinikum Freiburg Abteilung Medizinische Informatik
Medizinische Informatik in Freiburg Medizinische Informatik Direktor Prof. Dr. Klar Wissenschaftliche Schwerpunkte Patientenbezogene Dienste: Krankenhausinformationssystem Patientenunabhängige Auskunfts- und Wissensdienste Grundlagen zur Modellierung medizinischer Konzepte Begriffliche Ordnungssysteme in der Medizin Konzepte zur Integration von Elektronischer Patientenakte und medizinischen Wissensdiensten Text-Retrieval / Cross-Language Retrieval
Medizinische Suchmaschinen Textrecherche Medizinische Suchmaschinen Unterschiedliche Dokumentenarten Mehrsprachigkeit Diverse Nutzergruppen Hohe sprachliche Variabilität Dokumentenumfang
Konventionelle Suchtechnologien Todesursachenstatistik Statistik Todesursachen Statistik Todesursache
Konventionelle Suchtechnologien Todesursachenstatistik Statistik Todesursachen Statistik Todesursache
Konventionelle Suchtechnologien Todesursachenstatistik Statistik Todesursachen Statistik Todesursache
Konventionelle Suchtechnologien Todesursachenstatistik Statistik Todesursachen Statistik Todesursache
Anstieg der Cholestase-parameter Konventionelle Suchtechnologien Anstieg der Cholestase-parameter
Anstieg der Cholestase-parameter Konventionelle Suchtechnologien Anstieg der Cholestase-parameter
Anstieg der Cholestase-parameter Konventionelle Suchtechnologien Anstieg der Cholestase-parameter
Anstieg der Cholestase-parameter Konventionelle Suchtechnologien Anstieg der Cholestase-parameter
Konventionelle Suchtechnologien Korrelation von Hypertonie und Läsion der Weißen Substanz…
Konventionelle Suchtechnologien Korrelation von Hypertonie und Läsion der Weißen Substanz… “Correlation of high blood pressure and lesion of the white substance”
Konventionelle Suchtechnologien Korrelation von Hypertonie und Läsion der Weißen Substanz… “Correlation of high blood pressure and lesion of the white substance”
Konventionelle Suchtechnologien Korrelation von Hypertonie und Läsion der Weißen Substanz… “Correlation of high blood pressure and lesion of the white substance”
Konventionelle Suchtechnologien Korrelation von Hypertonie und Läsion der Weißen Substanz… “Correlation of high blood pressure and lesion of the white substance”
Wortbildung Linguistische Phänomene erschweren die medizinische Textrecherche! Flexion: Erkrankungen, Bluthochdrucks, Risiken Derivation: Krankheit, diastolisch, leukozytär Komposition: Gemeinde|krank|en|pflege|station|en Akronyme: AIDS, SARS, OECD Orthografische Varianten: Kolonkarzinom, Colonkarzinom, Ösophagus, Oesophagus, ulzerierend, ulcerierend Synonyme: Bluthochdruck – Hypertonie, Prophylaxe – Vorbeugung Eigennamen: Aspirin, ASS, ...
MORPHOSAURUS Lösungen Subwörter sind atomare konzeptuelle oder linguistische Einheiten: Stämme: verletz, entzünd, magen, schleimhaut Präfixe: ab-, an-, anti-, ge-, hervor-, hyper- Suffixe: -abel, -bar, -haft, -ion, -itis Infixe: -o-, -s- Synonyme Subwörter werden (sprachübergreifend) in Äquivalenzklassen gruppiert: #derma = { derm, cutis, skin, haut, kutis, pele, cutis, piel, … } #inflamm = { inflam, -itic, -itis, entzuend, -itis, -itisch, inflam, flog, inflam, flog, -iolitis, ... } Empirische Kriterien: hypertonie = {#hyper #tens #blood}
MORPHOSAURUS Ressourcen Subwort-Lexikon: Organisiert Subwörter (atomare Bedeutungseinheiten) in mehreren Sprachen Subwort-Thesaurus: Gruppiert synonyme Lexikoneinträge (auch sprachübergreifend) Segmentierungsalgorithmus: Extraktion von Subwörtern und Zuweisung von Äquivalenzklassen
MORPHOSAURUS Ressourcen (www.morphosaurus.net) Subwort-Lexikon: Organisiert Subwörter (atomare Bedeutungseinheiten) in mehreren Sprachen Subwort-Thesaurus: Gruppiert synonyme Lexikoneinträge (auch sprachübergreifend) Segmentierungsalgorithmus: Extraktion von Subwörtern und Zuweisung von Äquivalenzklassen
MORPHOSAURUS : Lexikon & Thesaurus Subwort Lexikon: Subwort Thesaurus: Gruppierung von synonymen Subwörtern gastr stomach Magen ventric chamber hepat,hepar liver leber -itis, inflamm, entzünd nephr- ren kidney niere #GASTR #CHAMBER #HEPAR #INFLAMM Hier noch ein kurzer Überblick über die Beschaffenheit der Ressourcen, die wir verwenden: Im Lexikon wird eine Liste von Subwörtern verwaltet. Diese werden im Thesaurus zu Äquivalenzklassen gruppiert und erhalten einen eindeutigen Bezeichne. KLICK #NEPHR
Beispiel High TSH values suggest the diagnosis of primary hypo-thyroidism ... Original Erhöhte TSH-Werte erlauben die Diagnose einer primären Schilddrüsenunterfunktion ...
Beispiel Original Normalisierung Orthografische Regeln High TSH values suggest the diagnosis of primary hypo-thyroidism ... Original Erhöhte TSH-Werte erlauben die Diagnose einer primären Schilddrüsenunterfunktion ... high tsh values suggest the diagnosis of primary hypo-thyroidism ... erhoehte tsh werte erlauben die diagnose einer primaeren schilddruesenunterfunktion ... Orthografische Regeln Normalisierung
Zerlegungsalgorithmus Beispiel High TSH values suggest the diagnosis of primary hypo-thyroidism ... Original Erhöhte TSH-Werte erlauben die Diagnose einer primären Schilddrüsenunterfunktion ... high tsh values suggest the diagnosis of primary hypo-thyroidism ... erhoehte tsh werte erlauben die diagnose einer primaeren schilddruesenunterfunktion ... Orthografische Regeln Normalisierung high tsh value s suggest the diagnos is of primar y hypo thyroid ism er hoeh te tsh wert e erlaub en die diagnos e einer primaer en schilddruese n unter funktion Zerlegungsalgorithmus Subwort-Lexikon
Zerlegungsalgorithmus Beispiel High TSH values suggest the diagnosis of primary hypo-thyroidism ... Original Erhöhte TSH-Werte erlauben die Diagnose einer primären Schilddrüsenunterfunktion ... high tsh values suggest the diagnosis of primary hypo-thyroidism ... erhoehte tsh werte erlauben die diagnose einer primaeren schilddruesenunterfunktion ... Orthografische Regeln Normalisierung high tsh value s suggest the diagnos is of primar y hypo thyroid ism er hoeh te tsh wert e erlaub en die diagnos e einer primaer en schilddruese n unter funktion Zerlegungsalgorithmus Subwort-Lexikon #up tsh #value #suggest #diagnost #primar #hypo #thyre Interlingua #up tsh #value #permit #diagnost #primar #thyre #hypo #function Subwort- Thesaurus Semantische Normalisierung
Zerlegungsalgorithmus Beispiel High TSH values suggest the diagnosis of primary hypo-thyroidism ... Original Erhöhte TSH-Werte erlauben die Diagnose einer primären Schilddrüsenunterfunktion ... high tsh values suggest the diagnosis of primary hypo-thyroidism ... erhoehte tsh werte erlauben die diagnose einer primaeren schilddruesenunterfunktion ... Orthografische Regeln Normalisierung high tsh value s suggest the diagnos is of primar y hypo thyroid ism er hoeh te tsh wert e erlaub en die diagnos e einer primaer en schilddruese n unter funktion Zerlegungsalgorithmus Subwort-Lexikon Interlingua #up tsh #value #suggest #diagnost #primar #hypo #thyre Semantische Normalisierung #up tsh #value #permit #diagnost #primar #thyre #hypo #function Subwort- Thesaurus
Suche mit MORPHOSAURUS
Suche mit MORPHOSAURUS
Suche mit MORPHOSAURUS Korrelation von Hypertonie und Läsion der Weißen Substanz…
#correl #hyper #tens #lesion #whit #matter Suche mit MORPHOSAURUS Korrelation von Hypertonie und Läsion der Weißen Substanz… #correl #hyper #tens #lesion #whit #matter
#correl #hyper #tens #lesion #whit #matter Suche mit MORPHOSAURUS Korrelation von Hypertonie und Läsion der Weißen Substanz… #correl #hyper #tens #lesion #whit #matter
Benutzerfreundlichkeit Todesursachenstatistik Statistik Todesursache Statistik Todesursachen
Benutzerfreundlichkeit Todesursachenstatistik Statistik Todesursache Statistik Todesursachen
Mehrsprachigkeit Behandlung Hirnhautentzündung automatic all
Mehrsprachigkeit Behandlung Hirnhautentzündung automatic all
Mehrdeutigkeit Quellen von Mehrdeutigkeiten sind lexikalische Ressourcen (vgl. WordNet) „Bruch“ -> {#fraktur, #hernie} Ohne Weltwissen nicht interpretierbar: „Bruch des Fingers“, „Bruch in der Leiste“ Alternative: Kontextinformationen und Wortstatistiken zur Disambiguierung
Corpusstatistik w = 4
Corpusstatistik [#fraktur #finger] = 3 w = 4
[#finger #unterbrech] = 1 Corpusstatistik [#fraktur #finger] = 3 [#finger #unterbrech] = 1
Corpusstatistik [#fraktur #finger] = 3 [#finger #unterbrech] = 1 [#unterbrech #kontin.] = 1 .
Disambiguierung Ambiguität von „Bruch des Fingers“: [{ #fraktur,#hernie} #finger] [#fraktur #finger] = 3 [#hernie #finger] = 0 -> mit „Bruch“ ist „Fraktur“ gemeint…
Relevanzkriterien zum Ranking Anfrage: „Statistik Todesursache“ Welches Dokument passt am besten zur Anfrage?
Modell mit Termhäufigkeiten TF/IDF: Term-Frequenz/Inverse Dokument-Frequenz Prinzip: statistische Ermittlung der „Wichtigkeit“ von einzelnen Wörtern Prämisse: Wörter, welche in einem Dokument häufig, in anderen aber sehr selten sind, sind gute Deskriptoren des Dokumenteninhalts
Beispiel Inverse Dokument-Frequenz anhand einer Kollektion von 1 Mio Dokumenten: „Todesursache“ kommt in 100 Dokumenten vor. IDF(Todesursache)=: 100/1000000=0.0001 „Statistik“ kommt in 1000 Dokumenten vor. IDF(Statistik) = 1000/1000000=0.001 Dokument 1 „Todesursache kommt 3mal vor, „Statistik“ 1mal und insgesamt beinhaltet das Dokument 100 Wörter. TF(Todesursache) = 3/100 = 0.03 TF(Statistik) = 1/100 = 0.01 Dokument 2 „Todesursache“ kommt 2mal vor, „Statistik“ 7mal und insgesamt hat das Dokument 300 Wörter. TF(Todesursache) = 2/300 = 0.007 TF(Statistik) = 7/300 = 0.023 Das Ranking ergibt sich aus dem Verrechnen von TF und IDF: Dokument 1: (0.03/0.0001) * (0.01/0.001) = 300 * 10 = 3000 Dokument 2: (0.007/0.0001) * (0.023/0.001) = 70 * 23 = 1610 Dokument 1 erhält ein besseres Ranking, obwohl Dokument 2 insgesamt mehr Treffer aufweist!
Zusammenfassung
Vielen Dank! Kontakt: Medizinische Informatik
Proof-of-Concepts I Deutsche Zentralbibliothek für Medizin (ZBMed), Köln: Bibliographische Suche über 300.000 einsprachige Dokumente Deutsches Institut für Medizinische Dokumentation und Klassifikation (DIMDI), Köln: Bibliographische Suche über 600.000 mehrsprachige Dokumente Health on the Net Foundation (HON), Genf: Studie mit 5,000 Dokumenten Hautklinik Freiburg: „Google“-Suche für patientenbezogene Daten (EPA)
Proof-of-Concepts II Hautklinik Freiburg:
Proof-of-Concepts III ICD Kodierbrowser: Suche in 15,278 ICD-Codes
OHSUMED-Corpus (Hersh et al., 1994) Evaluation OHSUMED-Corpus (Hersh et al., 1994) Untermenge von MEDLINE ~300,000 englische Dokumente 106 englische Benutzeranfragen, von Experten übersetzt ins Deutsche, Portugiesische, Spanische, Französische und Schwedische Relevanz der Dokumente manuell markiert
Evaluation 121% 111% 99% 84% 79% 79%