bvanaken/clinical-assertion-negation-bert
El modelo BERT de Clasificación de Afirmaciones y Negaciones Clínicas se introduce en el artículo 'Detección de Afirmaciones en Notas Clínicas: ¿Modelos de Lenguaje Médico al Rescate?'. El modelo ayuda a estructurar la información en cartas de pacientes clínicos clasificando las condiciones médicas mencionadas en la carta en PRESENTE, AUSENTE y POSIBLE. El modelo se basa en el ClinicalBERT - Modelo BERT de Resumen de Alta por Alsentzer et al. y se ajustó sobre datos de afirmaciones del desafío i2b2 de 2010.
Como usar
Puedes cargar el modelo a través de la biblioteca transformers:
from transformers import AutoTokenizer, AutoModelForSequenceClassification, TextClassificationPipeline
tokenizer = AutoTokenizer.from_pretrained("bvanaken/clinical-assertion-negation-bert")
model = AutoModelForSequenceClassification.from_pretrained("bvanaken/clinical-assertion-negation-bert")
El modelo espera entradas en forma de fragmentos/oraciones con una entidad marcada para clasificar como PRESENTE(0), AUSENTE(1) o POSIBLE(2). La entidad en cuestión se identifica con el token especial [entity] rodeándola.
Ejemplo de entrada e inferencia:
input = "El paciente se recuperó durante la noche y ahora niega cualquier [entity] dificultad para respirar [entity]."
classifier = TextClassificationPipeline(model=model, tokenizer=tokenizer)
classification = classifier(input)
# [{'label': 'AUSENTE', 'score': 0.9842607378959656}]
Funcionalidades
- Clasificación de Afirmaciones y Negaciones Clínicas
- Basado en el modelo BERT de ClinicalBERT
- Fino ajustado sobre datos de afirmaciones del desafío i2b2 de 2010
Casos de uso
- Clasificación de condiciones médicas en cartas de pacientes clínicos
- Estructuración de información en registros médicos
- Detección de la presencia, ausencia o posibilidad de condiciones médicas mencionadas