Data extraction from medical records

Bc. Tomáš Houfek

Bachelor's thesis

Anotácia:

Tato práce se zabývá extrakcí užitečných informací z lékařských zpráv. Cílem práce je schopnost automaticky vyplňovat hlášenku novotvaru pro Národní onkologický registr. Pro implementaci tohoto úkolu jsou použity dva způsoby extrakce informací. Pravidlový přístup, extrakce s pomocí regulárních výrazů a přístup hlubokého učení, konkrétně model rozpoznávání jmenných entit (Named Entity Recognition) založený na Transformerech. Během této práce zkoumám struktury lékařských zpráv a různé druhy lékařských kódových standardů abych byl schopen implementovat korektní regulární výrazy. Následně ručně anotuji korpus lékařských zpráv pro trénovaní již zmíněného modelu Rozpoznávání Jmenných Entit. Definuji a implementuji způsob extrakce tak aby byla hlášenka novotvaru co nejkorektněji vyplněna. Nakonec zhodnotím výsledky přesnosti extrakce na dvou různých, ručně extrahovaných, datových množinách.

Abstract:

This thesis focuses on automatically extracting valuable information from medical records. The specific goal of this thesis is to fill the Neoplasm incidence report from the National Oncology Registry automatically. To achieve this, two extraction approaches are used. Rule-based Regular Expression extraction and Deep-learning Medical Named Entity Recognition model based on the Transformer architecture. I examine the medical records and various medical coding standards to implement correct Regular Expressions. I also create manually annotated corpora to train the custom Medical Named Entity Recognition model. I define the extraction pipeline to fill the Neoplasm incidence report correctly. Finally, I evaluate the accuracy of the automatic extraction and compare it to two different datasets that were created by manual extraction.

Keywords

NLP, Information Extraction, medical records, EHR, oncology, Regular Expressions, Named Entity Recognition, Transformers, RoBERTa, deep learning, Czech language

Jazyk práce: English

Datum vytvoření / odevzdání či podání práce: 19. 5. 2022

Obhajoba závěrečné práce

• Obhajoba proběhla 1. 7. 2022
• Vedúci: Mgr. Zdenka Dudová, Ph.D.
• Oponent: doc. Mgr. Bc. Vít Nováček, PhD

Masaryk University

Faculty of Informatics

Bachelor programme / odbor:
Informatics / Artificial Intelligence and Natural Language Processing