CONORM:用于药物不良事件检测的上下文感知实体规范化
《ACM Transactions on Computing for Healthcare》:CONORM: Context-Aware Entity Normalization for Adverse Drug Event Detection
【字体:
大
中
小
】
时间:2026年10月16日
来源:ACM Transactions on Computing for Healthcare 4.0
编辑推荐:
摘要AI 摘要要查看此 AI 生成的摘要,您必须拥有高级访问权限。了解更多登录摘要摘要不良药物事件(ADEs)是患者安全和药物警戒的关键方面,对患者预后和公共卫生监测具有重要意义。电子健康记录、社交媒体和患者论坛的日益普及为不良药物事件监测提供了有价值的但具有挑战性的非结构化
要查看此 AI 生成的摘要,您必须拥有高级访问权限。
摘要
摘要
不良药物事件(ADEs)是患者安全和药物警戒的关键方面,对患者预后和公共卫生监测具有重要意义。电子健康记录、社交媒体和患者论坛的日益普及为不良药物事件监测提供了有价值的但具有挑战性的非结构化数据来源。为应对这些挑战,我们提出了 CONORM,一个在多样化文本领域中对不良药物事件进行命名实体识别(NER)和实体规范化(EN)的集成框架。CONORM 由 CONORM-NER 和 CONORM-EN 组成,具备带有动态上下文精炼(DCR)的双重编码器。DCR 自适应地结合隔离的实体嵌入与上下文表示。我们的分析表明,CONORM 能适应文本的正式程度,提高分布外概念的精确度,并与忽略上下文的基线方法相比减少错误。CONORM 在推文、论坛帖子和结构化产品标签上进行了评估,覆盖了 SMM4H、CADEC 和 TAC 数据集中 30,000 个标注的不良药物事件提及。其端到端 F1 分数分别为 63.86%、72.45% 和 84.99%,平均超过最强基线 20%。这些结果突出了 CONORM 在不同领域中的稳健适应性。CONORM 为药物警戒提供了一种可扩展的解决方案,其预计算的目标嵌入增强了推理效率。其泛化能力确立了它作为不良药物事件监测工具的稳健性。源代码可在
https://github.com/ds4dh/CONORM 获取。
AI 摘要
AI 生成摘要(实验性)
此摘要使用自动化工具生成,未经本文作者撰写或审核。它旨在支持发现,帮助读者评估相关性,并协助相邻研究领域的读者理解该工作。它旨在补充作者提供的摘要,后者仍是论文的主要摘要。全文仍为权威的版本记录。点击此处了解更多。
点击此处对此摘要的准确性、清晰度和有用性进行评论。这样做将有助于改进和未来的重新生成版本。
要查看此 AI 生成的简明摘要,您必须拥有高级访问权限。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号