Wenzina, R. (2015). GOALS : using TimeML annotations for an information extraction approach to support the modeling of clinical guidelines [Dissertation, Technische Universität Wien]. reposiTUm. https://doi.org/10.34726/hss.2015.30402
E188 - Institut für Softwaretechnik und Interaktive Systeme
-
Date (published):
2015
-
Number of Pages:
114
-
Keywords:
Medizinische Informatik; Guideline-Based Care
de
Medical Informatics; Guideline-Based Care
en
Abstract:
Klinische Leitlinien und Protokolle enthalten methodische Vorgaben, um die medizinische Behandlungsqualität zu gewährleisten. Diese Leitlinien müssen jedoch - bevor sie in einer klinischen Anwendung verwendet werden können - in eine formale Sprache übersetzt werden. Dieser Vorgang ist sehr zeitintensiv und bedarf der Zusammenarbeit von Experten unterschiedlicher Fachrichtungen. In diesem Projekt haben wir eine Methodik mit dem Namen GOALS1 entwickelt, welche den Übersetzungsprozess - unabhängig von der Zielsprache - unterstützt. Die zeitlichen Konzepte einer Leitlinie werden mit Hilfe der Auszeichnungssprache TimeML annotiert. Diese bilden die Grundlage für die Anwendung von Informationsextraktionsmethoden (regelbasierte Algorithmen und Methoden des maschinellen Lernens), um schrittweise Teile einer Leitlinie automatisch in die Zielsprache zu übersetzen. An Hand eines konkreten Szenarios wird die Anwendbarkeit der Methodik gezeigt, indem zeitlich zusammenhängende Sätze eines klinischen Protokolls in ein semi-formales Modell transformiert werden.
de
Clinical practice guidelines and protocols aim at raising the quality of healthcare. They are written in a narrative style and have to be translated into a computer-interpretable format to be usable in clinical software applications. In order to ease this challenging and laborious task for the modeler we developed a methodology called GOALS2. It is specified independently from the target computer-interpretable guideline language and uses a guideline's text annotated with temporal concepts provided by TimeML as a starting point. It describes step-by-step how parts of the guideline's model can be generated and finally assessed by means of an evaluation scheme. Information extraction techniques - machine learning algorithms and knowledge engineering methods - are applied to support the different steps in order to generate parts of the model automatically. A scenario-based application of GOALS shows the translation of temporally-related sentences of a clinical protocol into the corresponding semi-formal model. Evaluation results are clear indicators for the GOALS methodology's easing of the time-consuming modeling process.
