eHealth-Podcast Episode #7 – Automatische SNOMED-CT Extraktion
Jul 3, 2016
Matthias Becker, promoviert an der Universität Duisburg-Essen, spricht über seine Dissertation zur automatischen SNOMED-CT-Extraktion aus deutschem Freitext. Er erläutert, wie ein Algorithmus personalisierte Behandlungsvorschläge auf Basis medizinischer Leitlinien entwickeln kann. Bekannte Herausforderungen bei der Datenextraktion werden angesprochen, ebenso die Relevanz von SNOMED-CT im Gesundheitswesen. Becker diskutiert zukünftige Perspektiven und innovative Webservice-Ideen zur Verbesserung der Behandlungsqualität.
AI Snips
Chapters
Transcript
Episode notes
Datensemantik extrahiert Leitlinien
- Datensemantische Analysemethoden wie Text Mining helfen Leitlinien-Inhalte automatisiert zu extrahieren.
- Diese Information verbindet man mit Patientendaten für klinische Pfade.
SNOMED CT ist sehr feingranular
- SNOMED CT ist eine sehr feingranulare medizinische Terminologie zur präzisen Kodierung.
- Sie gibt detaillierte Informationen, die ICD nicht abbilden kann, ist in Deutschland aber nicht frei verfügbar.
Multiaxiale Struktur von SNOMED CT
- SNOMED CT kodiert medizinische Konzepte multiaxial und kombiniert sie flexibel.
- Zum Beispiel verknüpft es Krankheiten mit Körperteilen für genauere Beschreibungen.