MétaCan
Menu
Retour à la cohorte
Enregistrement W4293167098 · doi:10.26650/b/et07.2021.003.02

Medikal Ontolojiler

2021· book-chapter· tr· W4293167098 sur OpenAlexaff
Dilek Yargan, Aziz F. Zambak

Notice bibliographique

Revuenon disponible
Typebook-chapter
Languetr
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueBiomedical Text Mining and Ontologies
Établissements canadiensMitel (Canada)
Organismes subventionnairesnon disponible
Mots-clésComputer science

Résumé

récupéré en direct d'OpenAlex

Medicine is a complex discipline that concerns manifold disciplines in the life sciences.Therefore, data sources for medical informatics are not only limited to health and hospital records along with the medical literature, but also include gene studies, clinical reports, pharmacology studies, and other studies in the life sciences.For this reason, the primary challenge of medical informatics is the integration of data, the volume of which is increasing every day.Data are derived from a wide variety of sources and produced in various formats.Data integration requires a lingua franca, that is, data standardization, in medical informatics.Moreover, it should be ensured that the data are machine readable so that the conditions of machine inferencing, which enables scientific discoveries, are met to establish datadriven endeavors in medicine.Thus, information retrieval and extraction, knowledge management, and knowledge production can be undertaken in medical and clinical studies with the support of various technologies.Ontologies used in information systems for decades promise to achieve these five goals of medical informatics: data standardization, data integration, information retrieval and extraction, knowledge management, and scientific knowledge production.Medical ontologies are effective technologies that are widely used in many different applications in biomedical information and knowledge management systems.They are employed to represent biomedical knowledge with reference to reality in computable formats.To better understand medical ontologies, it is necessary to understand ontologies as philosophy, ontologies as science, and ontologies as techniques.Furthermore, their contribution to the development of medical ontologies should be appreciated: an understanding of ontology as philosophy is necessary for the correct understanding of important categories in medicine and the correct classification of reality related to medicine.Medical ontologies as science, in contrast, should be up-to-date and benefit from the wisdom of the philosophy of medicine.Enriched theoretically by these two types of ontologies, medical ontologies, which are ontologies as technique used in medical informatics, are obtained at last.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Autre · Signal consensuel: Autre
Score de désaccord entre enseignants0,044
Score d'incertitude au seuil0,146

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,002
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0020,003
Communication savante0,0080,009
Science ouverte0,0010,005
Intégrité de la recherche0,0010,005
Charge utile insuffisante (le modèle a refusé de juger)0,0440,035

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,027
Tête enseignante GPT0,266
Écart entre enseignants0,239 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreAutre

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetBiomedical Text Mining and OntologiesTravaux en français237 207