Fine-grained Information Extraction in Clinical Data : Dedicated Terminologies and Know- ledge Graphs

DEFT 2020 - Extraction d’information fine dans les données cliniques : terminologies spécialisées et graphes de connaissance

Thomas Lemaitre (1) , Camille Gosset (1) , Mathieu Lafourcade (1) , Namrata Patel (2, 3) , Guilhem Mayoral (2)

1 TEXTE - Exploration et exploitation de données textuelles
2 Onaos [Montpellier]
3 UPVM - Université Paul-Valéry - Montpellier 3

This paper presents our rule-based approach for fine-grained information extraction in clinical data, submitted in reponse to Task 3 at the DEFT 2020 evaluation campaign. We design (1) a dedicated medical terminology from existing medical references and (2) a knowledge graph based on the semantically rich knowlege base - JeuxDeMots

Nous présentons dans cet article notre approche à base de règles conçue pour répondre à la tâche 3 de la campagne d’évaluation DEFT 2020. Selon le type d’information à extraire, nous construisons (1) une terminologie spécialisée à partir de ressources médicales et (2) un graphe orienté basé sur les informations extraites de la base de connaissances généraliste et de grande taille - JeuxDeMots.

Mots clés: Clinical data; Fine-grained information extraction; Knowledge graphs

Mots clés: Graphes de connaissance; Extraction d’information fine; Données cliniques

Domaines: Informatique et langage [cs.CL]

Thomas Lemaitre, Camille Gosset, Mathieu Lafourcade, Namrata Patel, Guilhem Mayoral. DEFT 2020 - Extraction d’information fine dans les données cliniques : terminologies spécialisées et graphes de connaissance. Atelier DÉfi Fouille de Textes, 2020, Nancy, France. pp.55-65. ⟨hal-02784742v3⟩