# Named Entity Recognition för medicinska texter

> Vi förbättrade NER-prestandan på svenska medicinska texter åt ett ledande universitetssjukhus med dataaugmentering och finjusterade BERT-modeller för mer exakt klinisk informationsutvinning.

**Kund:** Universitetssjukhus (forskningsprojekt)

**Publicerad:** 2023

**Källa:** https://www.fiive.se/work/data-augmentation-for-nlp

---

## Översikt

Svenska patientjournaler innehåller stora mängder information som är låst i fritext — svår att söka i, ännu svårare att aggregera. Att omvandla den ostrukturerade informationen till användbar data utgör en stor utmaning.

Men där kommer ett projekt in, utfört av två av våra nu anställda, med målet att effektivt extrahera värdefull data från svenska patientjournaler med hjälp av Named Entity Recognition (NER).

I arbetet undersöktes flera olika BERT-modeller och tekniker för dataförstärkning (data augmentation), vilka har potential att avsevärt förbättra resultatet av NER på svenska patientjournaler.

## Resultat

- Dataförstärkning förbättrade systemets prestanda avsevärt, särskilt vid mindre datamängder.
- Att förstärka 50 % av träningsdatan gav jämförbara resultat med att använda hela den ursprungliga datamängden utan förstärkning — en halvering av behovet av annoterad data.

Projektet visar hur rätt teknik och metoder kan hjälpa oss att extrahera värdefull information från svenska patientjournaler, vilket kan bidra till en mer upplyst och datastyrd hälso- och sjukvård.

Arbetet utfördes av två personer som i dag är anställda på Fiive, innan de började hos oss. Det är alltså ett forskningsnära arbete snarare än en kundleverans.

## Teknik

## Nästa steg

Vill ni använda ML för att skapa bättre beslutsstöd eller strukturera ostrukturerad textdata? [Kontakta oss](/contact) så tar vi ett första samtal.