Application of Information Extraction techniques to pharmacological domain: Extracting drug-drug interactions

Editor's Notes

• #2: Buenos días, señor presidente, señora secretaria, señores miembros del tribunal. Mi nombre es Isabel Segura y voy a presentar la defensa de mi tesis doctoral dirigida por la Dra. Paloma Martínez. Está tesis trata sobre la aplicación de técnicas de EI al dominio farmacológico, en particular, a la extracción de DDI.
• #3: En esta presentación, comenzaré con una introducción al problema tratado en la tesis. A continuación, presentaré los principales enfoques en Extracción de Información en el dominio biomédico. Y pasaré a describir la propuesta presentada en esta tesis junto con su evaluación. Finalmente, daré las principales conclusiones y líneas de trabajo futuro.
• #4: Debo comenzar explicándo que es una DDI. Una DDI ocurre cuando los efectos de un fármaco son alterados por la presencia de otro fármaco. Es decir, es una reacción entre dos o más fármacos tomados en el mismo periodo de tiempo.
• #5: Algunas de estas interacciones son beneficiosas, de hecho, una practica generalizada es la combinación de dos o más fármacos para obtener fármacos más potentes, como es el caso de los antirretrovirales.
• #6: Pero desgraciadamente, en muchas ocasiones, estas interacciones producen efectos adversos, llegando incluso a causar la muerte del paciente.
• #7: De hecho, numerosos estudios han demostrado que las DDIs son un grave problema para la seguridad del paciente. En españa, el estudio APEAS demostró que casi la mitad de los eventos adversos son errores de medicación, de los cuales el 3.5% son DDIs. Otro estudio relevante en el área de la seguridad del paciente, Errar es humano, muestra que al año mueren 7000 pacientes debido a estos errores. Las DDIs no son eventos aislados, sino que tienen una gran incidencia, sobre todo en ciertos grupos de la población como los ancianos y enfermos polimédicados. Además, las DDI no solo afectan a la seguridad del paciente, sino que también conllevan un incremento en el gasto médico, debido a que muchos pacientes deben recibir un tratamiento paliativo o incluso permanecer más tiempo ingresados.
• #8: El personal médico tiene a su disposición un gran número de bases de datos sobre interacciones, sin embargo estas BD presentan varios problemas. Uno de ellos es la inconsistencia de información, es decir, no siempre presentan la misma información sobre una determinada interaccción. Esta inconsistencia lo que provoca es que el médico no siempre sea capaz de determinar la verdadera importancia clínica de una determinada interacción. Sin embargo, el principal problema es que estas bd no están completas. ¿Por qué?. Cuando se descubre una nueva interacción, en primer lugar, es publicada en alguna revista del dominio, y pasa un tiempo hasta que las bases de datos registran esta interacción. El problema es que las bases de datos tienen periodos de actualización de hasta 3 años. Así médicos y farmacéuticos también deben revisar las publicaciones, la literatura médica para estar al día en el área de DDI.
• #9: Aquí El principal problema es que El personal médico está desbordado en el manejo de la gran cantidad de información contenida en las bases de datos y en la literatura médica. Citar aquí que sólo al año 300.000 artículo son publicados en el dominio farmacológico.
• #10: Así nuestra principal hipótesis es que la aplicación de técnicas de EI para el desarrollo de herramientas automáticas puede reducir notablemente el tiempo que médicos y farmacéuticos utilizar en revisar los textos médicos. Por otro lado, estas herramientas automáticas también pueden facilitar la actualización de las BD sobre interacciones.
• #11: Por tanto, en esta tesis hemos abordado dos grandes retos. En primer lugar, hemos tratado la construcción del primer sistema para la extracción de interacciones farmacológicas. Ningún grupo de investigación ha dirigido este problema, lo que lo convierte en un problema interesante y atractivo, sin embargo, también nos plantea algunos retos, como por ejemplo, es la escasez de recursos para construir nuestra solución, en particular, que no existe ningún corpus anotados con este tipo de relaciones. Por este motivo, el segundo gran reto planteado en esta tesis es la construcción del primer corpus anotado con interacciones farmacológicas.
• #12: Los objetivos específicos de esta tesis son: Como decía la creación del primer corpus sobre DDI. Estudiar los principales enfoque en la EI en biomedicina. Desarrollar un marco de trabajo que nos permita estudiar y combinar las distintas técnicas propuestas en esta tesis. Entre estas técnicas, esta tesis propone una seria de procesos auxiliares que son necesarios para la posterior extracción de interacciones, como es el reconocimiento de nombres de fármacos y la resolución de expresiones anafóricas que se refieren a fármacos. Además, en esta tesis hemos estudidado e integrado distintos recursos terminológicos y estandares del dominio que nos proporcionan información semántica necesaria útil para abordar nuestro problema.
• #13: Centrandonos en la extracción de interacciones, en esta tesis hemos propuesto dos aproximaciones distintas, la primera basada en el uso de patrones y el tratamiento de la información sintáctica, y una seguna aproximación basada en aprendizaje automático. Por supuesto, también hemos comparado ambos enfoques para ver cuál es el que obtiene mejores resultados.
• #14: No decir que es por falta de tiempo. Aunque en esta tesis hemos revisado los principales corpus en biomedicina, así como los principales enfoque en reconocimiento de entidades biomédicas y resolución de anaforas. En esta presentación, nos centraremos únicamente en la extracción de relaciones. Nosotros al igual que otros muchos autores clasificamos los trabajos en tres distintos enfoques: linguisticos, basados en patrones y basados en aprendizaje automático. Sin embargo, muchos de estos trabajos combinan varias técnicas aprovechando los beneficios de cada una de ellas, así que también podríamos hablar de enfoques híbridos.
• #15: Los enfoques linguisticos utilizan analizadores sintácticos que en la mayoría de los casos son entrenados sobre textos del dominio general, siendo incapaces de abordar las peculiaridades del lenguaje biomédico, en el cual la terminología es completamente distinta, y las oraciones compuestas y complejas son muy frecuentes. Los enfoques basados en patrones consiguen buena precisión, sin embargo, obtienen una cobertura limitada debido a que los patrones no son capaces de capturar todas las posibles expresiones de una relación. Los enfoques basados en aprendizaje automático consiguen buenos resultados pero dependen de la existencia de corpus anotados.
• #16: Aquí podemos distinguir dos tipos de enfoques, basados en características, en los cuales los ejemplos son representados con vectores formados por elementos con información léxica, morfosintáctica y semántica. El problema de estos enfoques es que no siempre son capaces de representar de forma óptima la información estructural de los ejemplos, por ejemplo, la información en un árbol sintáctico o de algunas representaciones secuenciales de los ejemplos. Como alternativa a este tipo de enfoques, en los últimos años han aparecido los métodos kernels. Estos métodos kernels son funciones que intentan mediar la similitud entre dos ejemplos, de esta forma, no es necesario construir una representación de los ejemplos basada en características, y los ejemplos pueden ser representados conservando su información estructural.
• #17: Ojo se dice abreviaturas Solo en el mes de marzo se han aprobado más de 20 fármacos. Aspirina tiene 25 sinónimos y 95 marcas comerciales. Si nos centramos en cuestiones directamente relacionadas con el problema que tratamos en esta tesis. Decir que aunque muchos trabajos han abordado el reconocimiento de genes y proteínas, no es el caso de los fármacos. Sin embargo, su reconocimiento plantea ciertas retos no resueltos, como la constante creación y aprobación de nuevos fármacos, el problema de la sinonimia, el problema de la ambigüedad, muchas marcas comerciales utilizan nombres comunes en inglés para nombrar sus productos, por ejemplo, advantage o because que son anticonceptivos. Otro problema relacionado con la resolución de la ambigüedad, esta provocado por el abundate uso de abreviaturas. También es muy habitual el uso de expresiones anafóricas en este tipo de textos científicos.
• #18: Respecto a la extracción de relaciones, volver a repetir que no existen trabajos que hayan abordado la extracción de DDI. Ni existen corpus anotados con DDI. La mayoría de los corpus en biomedicina están compuestos por abstracts, y por tanto, la mayoría de los trabajos se centran en este tipo de documentos. Además, aunque una relación puede expresarse en varias oraciones, todos los trabajos se limitan en la extracción de relaciones que ocurren en la misma oración. Por otro lado, aunque el dominio biomédico dispone de buenas ontologías, los enfoques han utilizado estas ontologías como simples diccionarios, sin aprovechar su información sobre relaciones.
• #19: Respecto al tratamiento de los fenómenos linguisticos frecuentes en los texots biomédicos, como por ejemplo, las oraciones complejas y su división en clausulas, o el tratamiento de la información contenida en las frases adverbiales y preposicioness, la mayoría de los enfoques no ha abordado este tipo de problemas, y lo mismo ocurren con la modadlidad y la negación en las oraciones. También resaltar que los resultados obtenidos en la extracciónde relaciones son afectados directamente por resultados obtenidos en procesos anteriores como el recnocimiento de entidades. Finalizar, resaltando que la mayoría de los trabajos son desarrollados por ingenieros, sin contar con la ayuda de expertos del dominino. Nosotros creemos que es imprescindible crear grupos multidisciplinares, como ha sido nuestro caso, y sobre es imprescindible contar con la ayuda de expertos del dominio que nos aportan el conocimiento, y lo más importante de todo es que nos marcan cuales son sus necesidades reales.
• #20: A continuación, describiré la solución que hemos propuesto en esta tesis.
• #21: Empezaré describiendo la construcción del corpus.
• #22: Nosotros hemos utilizado la base de datos farmacológica DrugBank, que es un recurso que de libre acceso y está online. Esta bd contiene textos que describen interacciones farmacológicas. Nosotrso desarrollamos un robot para descargar estos textos y recopilar asi una colección de documentos. Una vez que tenemos el corpus textual, hemos utilizado la herramienta MetaMap para analizar cada uno de los textos. Esta herramiento proporciona información sintáctica y semántica obtenida del sistema UMLS. UMLS es un cto de recursos, en particular, una ontología que integra un gran número de diccionarios biomédicos cubriendo distintas áreas como la biología, medicina, química, entre otras muchas. Nosotros representamos esta información proporcionada por MetaMap en el formato XML. Vamos a ver un ejemplo.
• #23: Además, MMTx proporciona para cada una de las frases información semántica de UMLS como su identificador o sus tipos semánticos, por ejemplo, por ejemplo, la frasse Aspirin es clasificada con el tipo semántico sustancia farmacológica.
• #24: Un.a vez que los textos estan analizados. Nosotros desarrollamos una aplicación que facilitaba la anotación manual de las interacciones en los textos. La anotación fue realizada con la ayuda de una farmacéutica, y aquí podemos ver un ejemplo, en el que han anotado las 3 interacciones presentes en la primera oración. Decir nosotros al igual que los trabajos en extracción de relaciones en el dominio biomédico, también nos hemos limitado a anotar, y posteriormente extraer, las interacciones a nivel de oración.
• #25: Cuales son las principales características dl corpus DrugDDI. E lcorpus está formado por 579 documentos, casi 6000 oraciones y 3160 interacciones anotadas. Basándosno en estos datos, podemos afirmar que nuestro corpus es uno de los más grandes tanto en un número de relaciones anotadas como en número de oraciones. Por otro lado, también quiero resaltar que el número medio de oraciones por documento es de 10 oraciones. Esta cifra nos indica que nuestro tipo de texto tienen un tamaño similar al de los abstracts utilizados en otros corpus. Finalmente, si consideramos todos los posibles pares de fármacos que ocurren en la misma oración, en total tendríamos unos 30,000 pares, de los cuales son el 10% son DDI.
• #26: Una vez descrito el corpus, paso a describir las principales técnicas propuestas en esta tesis para abordar la extracción de DDI
• #27: Como dije dentro de los objetivos de la tesis, uno de ellos era el desarrollo de un marco de trabajo en el que combinar los distintos procesos propuestos en la tesis. En particular, en nuestra solución se combinan distintos procesos como el análisis de los textos, el reconocimiento de fármacos, la resolución de anáforas y la extracción de DDI. Voy a describir cada uno de estos procesos.
• #28: En la construcción del corpus, acabamos de describir el proceso dedicado al análisis de los textos, así que no le dedicaré maś tiempo
• #29: El siguiente proceso que hemos abordado en esta tesis, ha sido el reconocimiento de nombres de fármacos. Para ello hemos utilizado la herramienta MMTx que nos permite detectar no solo los fármacos sino también otros conceptos biomédicos, y también hemos usado estándares utilizados por los farmacéuticos para nombrar y clasificar nuevos fármacos.
• #30: En particular, estoy hablando de estandar recomendado por la WHO. Este estandar está compusto por un conjunto de afijos. Nuestra hipótesis es que estos afijos nos permitan detectar fármacos que no están aún en UMLS, y que por tanto, no son ser por MMTx. Pero además, estos afijos van a permitir clasificar los fármacos en familias. MMTx no es capaz de distinguir entre un anágesico y un antibiotico o un antiinflamatorio. Las familias pueden ser una pista importante a la hora de detectar una interacción, ya que fármacos de la misma familia suelen presentar las mismas interacciones.
• #31: Hemos realizado dos experimentos uno utilizando solo metamap y otro usando también los afijos. Como principal conclusión decir que MetaMap es un recursos robusto que obtiene altos resultados tanto en la precisión como en la cobertura. En la evaluación de estos experimentos creamos un corpus formado por 879 abstracts de Medline que contenían casi 8300 fármacos. De los cuáles la gran mayoría son detectados por MetaMap, y 181 son reconocidos únicamente gracias a los afijos. Donde verdaderamente, está la contribución de los afijos es en la clasificación en familias, consiguiendo un 75% de precision.
• #32: El siguiente proceso propuesto en la tesis sería la resolución de anaforas que se refieren a fármacos.
• #33: En primer lugar, voy a explicar por que es importante resolver este tipo de expresiones?. En el texto podemos ver dos oraciones, en la primrea se prsenta el fármaco levofloxación, mientras que en la segunda se describe que este fármacos puede potenciar el efecto anticoagulante de warfarin, es decir, se describe un posible DDI entre levofloxacin y warfarin. Para poder extraer esta interacción, es necesario que identificar primero la expresión anafórica this drug, y además, resolver que su antecedente es levofloxaciń.
• #34: Para el estudio de la resoluciónd e anaforas en textos farmacológicos, creamo un subcorpus de DrugDDI formado por 49 doc, casi 2000 oraciones y fue anotado con por un lingüista detectando 331 anaforas. Los dos gráficos muestran su distribución según los tipos en el corpus, podemos ver que respecto a la anafora pronominal, el tipo más común es el relativo, mientras que para la anafora nominal, el más comun es el demostrativo.
• #35: En esta tesis hemos propuesto 3 enfoques distintos para la resolución de la anafora, un enfoque baseline que simplemente selecciona el sintagma nominal más cercano a la anafora, Los dos enfoque han sido tradicionalmente utilizados en dominio como el biológico. El primero asigna una puntuación a cada uno de los posibles antecedentes de una anafora teniendo en cuenta información sintáctica, semántica y también la distancia entre el candidato y la anáfora. El segundo enfoque utiliza un conjunto de reglas, en concreto restricciones semánticas y sintácticas y también principios de la teoría del centering que determinan el orden de preferencia a la hora de seleccionar un antecedente.
• #36: Este gráfico muestra los resultados de los tres enfoques. Podemos que el enfoque que obtiene mejores resultados es el enfoque basado en reglas. También podemos ver que en el caso de la anafora pronominal llegamos a obtener una medida-f del 90%. Así este enfoque obtiene resultados superiores al de otros enfoques en resolución de anafora en el dominio biomédico. Sin embargo, no obtenemos resultados tan buenos para la resolución nominal, ninguno de los enfoque supera el 60% de la medida F. Esto se debe a que los 3 enfoques priman la cercanía entre el antecedente y la anafora. Esto funciona para la pronominal, que son anaforas que se resuelven en contextos próximos, normalmente en la misma oración, pero no para la anafóra nominal que puede resolverse en contextos más amplios, es decir, en oraciones anteriores. Así nos planteamos la mejora de la resolución de la anafora nominal, utilizando más información semántica, en particular, las familias de los fármacos. Si por ejemplo, tenemos una anafora como 'este análgesico', entre todos sus posibles antecedentes, nos será muy útil saber cual de todo ellos es un análgesico, para tomar una decisión final.
• #37: LLegamos al proces principal de la tesis, la extracción de interacciones farmacológicas en textos biomédicos.
• #38: En esta tesis hemos propuesto dos aproximaciones diferentes para tratar la extracción de interacciones: el primero basado en el uso de patrones léxicos e información sintáctica, y el segundo basado en aprendizaje automático.
• #39: Paso a describir la primera aproximación
• #40: Nuestro experto del dominio, basándose en su experiencia profesional y en la obserrvación de los textos, propuso un conjunto de patrones léxicoos que son los más representativos a la hora de expresar las interacciones farmacológicas en el texto. En particular, propuso 12 patrones, y algunos de ellos podemos verlos en esta tabla.
• #41: Antes de aplicar los patrones sobre el texto para detectar las DDI, nuestra aproximación propone la resolución de ciertas estructuras sintácticas que otros trabajos de investigación han mostrado que son muy frecuentes en el lenguaje biomédico, como son las las estructuras coordinadas y apositivas. Nuestro enfoque utiliza patrones sintácticos para reconocer este tipo de estructuras. Y la aproximación también detecta las oraciones complejas y compuestas, muy frecuentes también en la literatura biomédica, y las descomponen mediante un algorimo que recorre las oraciones buscando pistas que permiten detectar los límites de las clausulas. Una vez detectadas, también aplicamos un conjunto de reglas que nos permiten descomponer las oraciones complejas en oraciones simples, sobre las cuales, finalmente son aplicados los patroens léxicos para extraer las DDI.
• #42: Vamos a ver un ejemplo que nos ayudará a entender porque es importante detectar este tipo de estructuras. En particular, nos centramos en las estructuras coordinadas. Esta oración como pueden ver contiene una coordinación de tres fármacos disintos.
• #43: Nuestro enfoque en primer lugar detecta esta estructura gracias al patrón sintáctico que pueden ver a la derecha y la reemplaza con la etiqueta coord.
• #44: Además, también aplicamos el proceso de reconocimiento de fármacos y etiquetamos los fármacos que ocurran en la oración.
• #45: Y finalmente, un último proceso se encarga de emparejar el texto de la oración con los patrones propuestos por el experto.
• #46: En nuestro caso, el patrón léxico que vemos a la derecha nos permite detectar las tres interacciones contenidas en la oración.
• #47: Para evaluar esta primera aproximación, hemos realizado tres experimentos distintos. El primero azul (que sería nuestro baseline y en el que solo hemos aplicado los patrones léxicos directamente sobre los textos), consigue una precisión del 67%, que es comparable a lo que obtienen otros sistemas en el dominio biológico. Sin embargo, obtiene un recall bastante bajo, es debido principalmente, a que los patroens propuestos aunque son los más representativos, no son sufciientes para detectar todas las posibles expresiones. En el segundo experimento, detectamos las estructuras apositivas y coordinativas previo a la aplicación de patrones, y podemos que el recall aumenta, pero disminuye la precisión. El tercer experimento, incluímos también la división de las oraciones compuestas y complejas en cláusulas. Podemos ver que los resultados son bastante similares. Esto es debido principalmente a que muchas interacciones son descritas en varias clausulas y la generación de oracioens simples y el uso de patrones no trata adecuadamente este fenómeno. La división de cláusulas, es un problema de extrema dificultad que nuestro enfoque, que utiliza un procedimiento bastante simple, no es capaz de resolver de forma eficiente. Por tanto, en lo que se refiere a este enfoque tenemos que mejorar el tratamiento de estos fenómenos lingüísticos, y tenemos mucho campo por delante en el que mejorar.
• #48: Paso a explicar la segunda de las aproximaciones propuesta en esta tesis para la extracción de interacciones pr
• #49: En esta aproximación, hemos utilizando un enfoque basado en aprendizaje automático supervisado. En este caso, nuestro problema de extracción, se plantea como un problema de clasificación. Es decir, vamos a tener un fase de aprendizaje y una fase de evaluación. Para ello vamos a dividir el corpus en dos partes distintas para cada una de estas fases. En la fase de aprendizaje, a partir de los documentos extraemos los ejemplos positivos y negativos que nos permitiran aprender, construir un modelo, que posteriormente, nos permita clasificar los ejemplos del conjunto de evaluación.
• #50: Lo primero que tenemos que hacer es generar el conjunto de ejemplos (de instancias de interacioens, es decir, relaciones), que nos ayuden a construir nuestro clasificador.
• #51: Para ello, en cada oración, cada par de fármacos es considerado como un posible ejemplo. El primero ejemplo estaría formado aspirin y probenecid
• #52: Y así sucesivamente iríamos formando los ejemplos de la oración
• #56: Es decir, a partri de la oración, hemos generado 6 ejemplos distintos. El orden no se tiene en cuenta, es decir, nosotros consideramos que la relación es simétrica, aunque a decir verdad, en farmacología las interacciones no tienen porque ser simétricas, pero nosotros hemos decidido como priemra aproximación no abordarlo en este trabajo de tesis.
• #57: Por supuesto, como nuestro corpus está etiquetado, lo que hacemos también etiquetar cada uno de los ejemplos como positivo o negativo. En este caso, las trse primeras instancias son ejemplos positivos, y las tres últimas son negativos.
• #58: El conjunto total de ejemplos fue dividido en dos conjuntos: training y testing, y para el testing dedicamos el 25% de los documentos del corpus. El número total e ejemplo son 30,757, de los cuales sólo el 10% son ejemplos positivos. Así que estamos antes un problema de aprendidaje con un conjunt ode datos completametne desbalanceado, lo que por otro lado es bastante frecuente, en los problema
• #59: Centrándonos ya en la técnica utilizada para construir nuestro clasificador, nosotros decidimos utilizar el método kernel propuesto por Giuliano que ha sido usado en el dominio general y en el dominio biólogico, para estudiar que resultados obtenía en el dominio farmacológico. Nuestra decisión está basada principalmente al tipo de informació nque usa este kernel: información sintáctica superficial y entidades. Basándonos en el estado del arte, parece que los kernels consiguen mejores resultados que los enfoques basados en características, aunque debo decir, que nosotros también estamos estudiando la aplicación de el enflque más clásico, aunque no lo hemos incluido en la tesis. El kernel utilizado en esta tesis, está basado en dos kernels distintos, Voy a explicar cada uno de estos kernels
• #60: Bunescuy Mooney, en su momento demostraron que a la hora de detectar una relación entre dos entidades, las partes de la oración que más información aportaban era el texto antes y entre ambas entidades.
• #61: El texto que ocurre entre ambas entidades, en este caso, sólo with.
• #62: El texto que ocurre entre ambas y después de la segunda entidad.
• #63: Pero cómo se cálcula el kernel. Recordar que el kernel es una función de similitud entre dos ejemplos. La idea principal de este kernel es contar cuantas cadenas de una determinada longitud (marcada por el parámetro n-gram) tienen en común ambos ejemplos.
• #74: Nosotros hemos realizado varios experimentos modificando el valor del parámetro n-gram para el contexto global y el valor del parámetro window-size para el contexto local. Este gráfico muestra los resultados para aquellas configuraciones que obtienen mejores resultados (todas ellas consigue una medida f de 64%). Resaltar que el primer model (n=3, w=1) obtiene la precisión más alta. Este modelo nos interesará utilizarlo cuando queramos dar un mejor filtrado de la información al médico, es decir, menos falsos positivos. Sin embargo, debido a que las interacciones son un tema delicado porque afecta a la seguridad del paciente, si lo queremos asegurar es una mayor cobertura tendremos que utilizar el segundo modelo (n-gram = 1, window-size=3). De todas formas debo decir que que los resultados varían muy poco de una configuración a otra. No hemos hecho test de significación estadística.
• #75: Por otro lado, también queríamos mirar la contribución particular del kernel global (verde) y del kernel local (local). Parece que el contexto global obtiene mejores resultados, tampoco con una diferencia muy marcada. Los resultados del kernel global son ligeramente inferiores a lso que obtenemos con el método shallow linguistic kernel.
• #76: Como dije anteriormente, nuestro conjunto de ejemplos presenta una gran desproporcion entre número de ejemplos positivos y negativos. Para estudiar el efecto que tiene sobre el aprendizaje, hemos realizado varios experimento. En el primer gráfico (en el que se comparan tres valores), lo que hicimos fue evaluar un baseline que clasifica todos los ejemplos como positivos, y que obtiene una medida F de 19% (precision 10% y recall 100%), un segundo experimento en el que balanceamos el dataset de entrenamiento utilizando la técnica de undersampling, es decir, eliminamos aleatoriamente ejemplos negativos, y evaluamos el modelo sore el testing (que está desbalanceado) Y otros experimento en el cual entrenamos y evaluamos con los conjunstos originales, que obtiene los mejores resultados. También un experimento (marcado en la segunda gráfica de naranaj) en el cual balanceamos el conjunto inicial de ejemplos, y posteriormente creamos el conjunto de testing). En este caso el baseline, como el conjunto de testing está balanceado, obtenemos una medida F del 60%, frente a un 80% del
• #78: This table shows the performance of the system The first row shows the resuls obtained using only the patterns. The patterns achieve a high precision, but a very low recall. The second row shows the results obtained using the syntactic information and the patterns. This approach achieves to improve the recall at 25%, but the precision descreses to the 49%.
• #79: Como dije en la introducción de la tésis, las interacciones farmacológicas son un grave problema para la seguridad del paciente y además conllevan un incremento en el gasto médico, y por tanto, la sanidad tiene un gran interés en mejorar la detección temprana de este tipo de interacciones. Nosotros en esta tesis hemos intentado contribuir en este mejora proponiendo una solución basada en técnicas de extracción de información aplicada sobre textos biomédicos.
• #80: Cuáles son las principales contribuciones de la tesis.
• #81: Solo en el mes de marzo se han aprobado más de 20 fármacos. Aspirina tiene 25 sinónimos y 95 marcas comerciales. Common english words have often been used as brand names for drugs: Because, Advantage (contraceptives), Duration (spray). Abbreviations: ASA (Aspirin), ABS (Acrylonitrile Butadiene Styrene), etc.
• #82: Solo en el mes de marzo se han aprobado más de 20 fármacos. Aspirina tiene 25 sinónimos y 95 marcas comerciales. Common english words have often been used as brand names for drugs: Because, Advantage (contraceptives), Duration (spray). Abbreviations: ASA (Aspirin), ABS (Acrylonitrile Butadiene Styrene), etc.
• #83: Solo en el mes de marzo se han aprobado más de 20 fármacos. Aspirina tiene 25 sinónimos y 95 marcas comerciales. Common english words have often been used as brand names for drugs: Because, Advantage (contraceptives), Duration (spray). Abbreviations: ASA (Aspirin), ABS (Acrylonitrile Butadiene Styrene), etc.
• #84: Solo en el mes de marzo se han aprobado más de 20 fármacos. Aspirina tiene 25 sinónimos y 95 marcas comerciales. Common english words have often been used as brand names for drugs: Because, Advantage (contraceptives), Duration (spray). Abbreviations: ASA (Aspirin), ABS (Acrylonitrile Butadiene Styrene), etc.
• #86: Calidad del corpus: incrementando su tamaño, anotandolo por varios anotadores para medir el acuerdo entre ellos, proporcionar gaidlines para la anotación, anotar las interaciones a nivel de documento.
• #87: Calidad del corpus: incrementando su tamaño, anotandolo por varios anotadores para medir el acuerdo entre ellos, proporcionar gaidlines para la anotación, anotar las interaciones a nivel de documento.
• #88: Calidad del corpus: incrementando su tamaño, anotandolo por varios anotadores para medir el acuerdo entre ellos, proporcionar gaidlines para la anotación, anotar las interaciones a nivel de documento.
• #89: Calidad del corpus: incrementando su tamaño, anotandolo por varios anotadores para medir el acuerdo entre ellos, proporcionar gaidlines para la anotación, anotar las interaciones a nivel de documento.
• #90: Calidad del corpus: incrementando su tamaño, anotandolo por varios anotadores para medir el acuerdo entre ellos, proporcionar gaidlines para la anotación, anotar las interaciones a nivel de documento.
• #91: Calidad del corpus: incrementando su tamaño, anotandolo por varios anotadores para medir el acuerdo entre ellos, proporcionar gaidlines para la anotación, anotar las interaciones a nivel de documento.
• #92: Debo decir que este proyecto se ha desarrollado en el marco de dos proyectos de investigación: el proyecto ISSE sobre interoperabilidad semántica en el dominio de la salud y el proyecto BRAVO. También agradecer al consorcio MAVIR su apoyo durante este trabajo.
• #93: Calidad del corpus: incrementando su tamaño, anotandolo por varios anotadores para medir el acuerdo entre ellos, proporcionar gaidlines para la anotación, anotar las interaciones a nivel de documento.
• #94: Calidad del corpus: incrementando su tamaño, anotandolo por varios anotadores para medir el acuerdo entre ellos, proporcionar gaidlines para la anotación, anotar las interaciones a nivel de documento.
• #95: Calidad del corpus: incrementando su tamaño, anotandolo por varios anotadores para medir el acuerdo entre ellos, proporcionar gaidlines para la anotación, anotar las interaciones a nivel de documento.
• #96: Calidad del corpus: incrementando su tamaño, anotandolo por varios anotadores para medir el acuerdo entre ellos, proporcionar gaidlines para la anotación, anotar las interaciones a nivel de documento.
• #98: Hello, We are talking about information extraction in the pharmacological domain. In particular, we are interestid in the automatic detection of drug-drug interactions from biomedical texts.
• #100: We already have patterns. But we think that these patterns are not enough to extract the drug interactions. And that it is necessary to use syntacticinformation. Why? Because the biomedical sentences are very long. Structures /strukchors/ such as appositive or coordinations /coordineisons/ are very often in this kind of sentence. For this reason, we decided to identify this kind of structures.
• #103: This table shows the performance of the system The first row shows the resuls obtained using only the patterns. The patterns achieve a high precision, but a very low recall. The second row shows the results obtained using the syntactic information and the patterns. This approach achieves to improve the recall at 25%, but the precision descreses to the 49%.
• #105: The main problem is that most sentences are complex, and therefore, many interactions could span several clauses. In this sentence, the first clause means the modfication of a drug property While the second one means that this modification occurs when these drugs are taken concurrently. Our system is not able to deal with this kind of complex sentences. In addition, many times, the patterns are not enough to detect the interactions, because the these can be described in many different ways.
• #106: TWell, we can see this compound sentence that has been simplified in two sentences. Then, we can apply the pattern ``drag interact with drug'', and then, we can extract its two interactons.
• #107: TWell, we can see this compound sentence that has been simplified in two sentences. Then, we can apply the pattern ``drag interact with drug'', and then, we can extract its two interactons.
• #109: Finally, for each phrase, MetaMap tries to look for a concept in the UMLS ontology. For example, for the phrase 'Aspirin'. MetaMap found the UMLS concept with the identifier C0004057. MetaMap uses the UMLS semantic types to classify the phrases, for example, the phrase 'Aspirin' was classified by MetaMap as a pharmacological substance and as organic chemical. These words are the abbreviations.
• #110: MetaMap divide el texto en oraciones.
• #111: También divide las oraciones en frases y proporciona información como su tipos sintáctico. Y también obtenemos
• #112: Finally, for each phrase, MetaMap tries to look for a concept in the UMLS ontology. For example, for the phrase 'Aspirin'. MetaMap found the UMLS concept with the identifier C0004057. MetaMap uses the UMLS semantic types to classify the phrases, for example, the phrase 'Aspirin' was classified by MetaMap as a pharmacological substance and as organic chemical. These words are the abbreviations.
• #113: We want to work in three different approaches: First, we have developed a system that uses syntactic information and pattern-matching. Currently, we are developing a system that use a kernel method for relation extraction developed by Claudio Giuliano from FBK in Trento. Third, we would like to apply a bootstrapping algorithm developed by Cesar de Pablo and Paloma Martínez. But today, we are only talking about our first approach.
• #114: We want to work in three different approaches: First, we have developed a system that uses syntactic information and pattern-matching. Currently, we are developing a system that use a kernel method for relation extraction developed by Claudio Giuliano from FBK in Trento. Third, we would like to apply a bootstrapping algorithm developed by Cesar de Pablo and Paloma Martínez. But today, we are only talking about our first approach.
• #115: We want to work in three different approaches: First, we have developed a system that uses syntactic information and pattern-matching. Currently, we are developing a system that use a kernel method for relation extraction developed by Claudio Giuliano from FBK in Trento. Third, we would like to apply a bootstrapping algorithm developed by Cesar de Pablo and Paloma Martínez. But today, we are only talking about our first approach.
• #116: We want to work in three different approaches: First, we have developed a system that uses syntactic information and pattern-matching. Currently, we are developing a system that use a kernel method for relation extraction developed by Claudio Giuliano from FBK in Trento. Third, we would like to apply a bootstrapping algorithm developed by Cesar de Pablo and Paloma Martínez. But today, we are only talking about our first approach.
• #117: This table shows the performance of the system The first row shows the resuls obtained using only the patterns. The patterns achieve a high precision, but a very low recall. The second row shows the results obtained using the syntactic information and the patterns. This approach achieves to improve the recall at 25%, but the precision descreses to the 49%.
• #119: This table shows the performance of the system The first row shows the resuls obtained using only the patterns. The patterns achieve a high precision, but a very low recall. The second row shows the results obtained using the syntactic information and the patterns. This approach achieves to improve the recall at 25%, but the precision descreses to the 49%.
• #121: We want to work in three different approaches: First, we have developed a system that uses syntactic information and pattern-matching. Currently, we are developing a system that use a kernel method for relation extraction developed by Claudio Giuliano from FBK in Trento. Third, we would like to apply a bootstrapping algorithm developed by Cesar de Pablo and Paloma Martínez. But today, we are only talking about our first approach.
• #122: We want to work in three different approaches: First, we have developed a system that uses syntactic information and pattern-matching. Currently, we are developing a system that use a kernel method for relation extraction developed by Claudio Giuliano from FBK in Trento. Third, we would like to apply a bootstrapping algorithm developed by Cesar de Pablo and Paloma Martínez. But today, we are only talking about our first approach.
• #123: DrugBank also provides pharmacological information such as its dosage forms /dosich forms/ or the list of drug interactions.
• #124: This table shows the performance of the system The first row shows the resuls obtained using only the patterns. The patterns achieve a high precision, but a very low recall. The second row shows the results obtained using the syntactic information and the patterns. This approach achieves to improve the recall at 25%, but the precision descreses to the 49%.
• #125: This table shows the performance of the system The first row shows the resuls obtained using only the patterns. The patterns achieve a high precision, but a very low recall. The second row shows the results obtained using the syntactic information and the patterns. This approach achieves to improve the recall at 25%, but the precision descreses to the 49%.