1. Mondeca hacene.cherfi@mondeca.com
26/10/2011
Enrichissement des moteurs de recherche à partir de connaissances métier
LERUDI : consultation du dossier patient en
situation d’urgence
2. Partenaires industriels
Intégrateur
Moteur de recherche
Analyse linguistique
Hacène Cherfi - Cas d’application - enrichissement des moteurs de recherche à partir de connaissances métier
4. Ecran d’accueil du prototype
Hacène Cherfi - Cas d’application - enrichissement des moteurs de recherche à partir de connaissances métier
5. Objectifs
• Cinq exigences
1. Extraire des connaissances à partir de documents médicaux plus ou moins
structurés ;
2. Extraire les informations en quelques secondes et permettre d’effectuer
des requêtes complémentaires pour explorer le contenu du dossier ;
3. Extraire uniquement des informations exactes (éviter les contresens) ;
4. Minimiser le silence : ne pas oublier une information importante pour
l’urgentiste ;
5. Minimiser le bruit : ne pas « noyer » l’urgentiste avec des informations
exactes, mais non déterminantes.
• Amélioration de l’accès au dossier médical patient
– Base de connaissances médicale ;
– Règles d’indexation des documents médicaux ;
– Interface efficace de visualisation.
Hacène Cherfi - Cas d’application - enrichissement des moteurs de recherche à partir de connaissances métier
6. Schéma général
ITM SDK
Terminologies +
hiérarchies
Index
AFS
Graphe + Règles
d’indexation
Hacène Cherfi - Cas d’application - enrichissement des moteurs de recherche à partir de connaissances métier
7. Plan
Base de connaissances (BC) médicale
Utilisation de la BC dans le prototype
Règles d’indexation
Démo
Hacène Cherfi - Cas d’application - enrichissement des moteurs de recherche à partir de connaissances métier
8. Nombre de termes dans BC
• Termes concepts médicaux (30 806)
– Médicaments (5 513)
– Etats pathologiques (5 092)
– Actes médicaux (3 146)
– Divers (~ 150)
• Termes relations (59)
– Sujet : abcès mésentérique
– Prédicat : « est une maladie de la spécialité médicale »
– Objet : chirurgie
Hacène Cherfi - Cas d’application - enrichissement des moteurs de recherche à partir de connaissances métier
13. Autres termes médicaux #2
Hacène Cherfi - Cas d’application - enrichissement des moteurs de recherche à partir de connaissances métier
14. Facteurs sociaux
Hacène Cherfi - Cas d’application - enrichissement des moteurs de recherche à partir de connaissances métier
15. relations
Hacène Cherfi - Cas d’application - enrichissement des moteurs de recherche à partir de connaissances métier
16. Exemple d’utilisation d’une relation
Hacène Cherfi - Cas d’application - enrichissement des moteurs de recherche à partir de connaissances métier
17. Mise à jour de la base de connaissances
Non lié :
– Réanimation
Hacène Cherfi - Cas d’application - enrichissement des moteurs de recherche à partir de connaissances métier
18. Schéma général
ITM SDK
Terminologies +
hiérarchies
Index
AFS
Graphe + Règles
d’indexation
Hacène Cherfi - Cas d’application - enrichissement des moteurs de recherche à partir de connaissances métier
19. Plan
Base de connaissances (BC) médicale
Utilisation de la BC dans le prototype
Règles d’indexation
Démo
Hacène Cherfi - Cas d’application - enrichissement des moteurs de recherche à partir de connaissances métier
20. Annotations
Hacène Cherfi - Cas d’application - enrichissement des moteurs de recherche à partir de connaissances métier
21. Utilisation de la BC dans le prototype
Trois grandes classifications
Hacène Cherfi - Cas d’application - enrichissement des moteurs de recherche à partir de connaissances métier
22. BC dans le prototype
• Vue hiérarchique
– 12 documents pour
« Abcès de foie »
– 9 documents pour
« Choc septique »
– …
23. Utilisation de la BC dans le prototype
Hacène Cherfi - Cas d’application - enrichissement des moteurs de recherche à partir de connaissances métier
24. Plan
Base de connaissances médicale
Utilisation de la BC dans le prototype
Règles d’indexation
Démo
Hacène Cherfi - Cas d’application - enrichissement des moteurs de recherche à partir de connaissances métier
25. Règles d’indexation en SPARQL
R1 : Conserver la pathologie la plus précise
Si deux concepts A et B sont présents dans un document.
A et B sont tous deux fils du concept « Etat pathologique ».
B est lui-même fils de A.
B a la propriété « Concept terminologique » à vrai)
alors (seul B est marqué avec la propriété « Instance importante »).
Hacène Cherfi - Cas d’application - enrichissement des moteurs de recherche à partir de connaissances métier
26. Règles d’indexation en SPARQL
R1 : Conserver la pathologie la plus précise
Si deux concepts A et B sont présents dans un document.
A et B sont tous deux fils du concept « Etat pathologique ».
B est lui-même fils de A.
B a la propriété « Concept terminologique » à vrai)
alors (seul B est marqué avec la propriété « Instance importante »).
R2 : Ne pas conserver une annotation quand le concept est précédé
de « absence de » ou d'une expression équivalente
Si une Instance a une propriété « a Patron » qui la lie à la classe « Absence de »,
alors l'instance ne doit pas être marquée avec la propriété « Instance
importante ».
Hacène Cherfi - Cas d’application - enrichissement des moteurs de recherche à partir de connaissances métier
27. Plan
Base de connaissances médicale
Utilisation de la BC dans le prototype
Règles d’indexation
Démo
Hacène Cherfi - Cas d’application - enrichissement des moteurs de recherche à partir de connaissances métier
28. Conclusion
• Référentiels métier
– Base de connaissances Organiser des vues du données
– Règles d’indexation Hiérarchiser par niveaux de granularité
– Portail sémantique Visibilité améliorée
• Tout cela est difficile à réaliser sur un portail /
moteur de recherche / analyseur fondé sur une
indexation / traitement classique
Hacène Cherfi - Cas d’application - enrichissement des moteurs de recherche à partir de connaissances métier