Esta tarea se centra en el reconocimiento de entidades nombradas (NER) y la clasificación de estas entidades según sus tipos. En particular, se enfoca en la identificación y clasificación de información sensible (por ejemplo, nombres de pacientes, números de teléfono, direcciones, etc.) en documentos médicos.
La guía de anotación de MEDDOCAN define un total de 29 tipos de entidades, que están disponibles en: http://ceur-ws.org/Vol-2421/MEDDOCAN_overview.pdf
Publicación
Montserrat Marimon, Aitor Gonzalez-Agirre, Ander Intxaurrondo, Heidy Rodríguez, Jose Lopez Martin, Marta Villegas, Martin Krallinger (2019) “Automatic De-identification of Medical Texts in Spanish: the MEDDOCAN Track, Corpus, Guidelines, Methods and Evaluation of Results.” In: IberLEF@ SEPLN. 2019, pp. 618–638.
Competición
Idioma
Español
NLP topic
Tarea abstracta
Dataset
Año
2019
Enlace publicación
Métrica Ranking
F1
Mejores resultados para la tarea
| Sistema | Precisión | Recall | F1 | CEM | Accuracy | MacroPrecision | MacroRecall | MacroF1 | RMSE | MicroPrecision | MicroRecall | MicroF1 Ordenar ascendente | MAE | MAP | UAS | LAS | MLAS | BLEX | Pearson correlation | Spearman correlation | MeasureC | BERTScore | EMR | Exact Match | F0.5 | Hierarchical F | ICM | MeasureC | Propensity F | Reliability | Sensitivity | Sentiment Graph F1 | WAC | b2 | erde30 | sent | weighted f1 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| lukas.lange-1 | 0.9698 | 0.9694 | 0.9696 | ||||||||||||||||||||||||||||||||||
| lukas.lange-2 | 0.9708 | 0.9684 | 0.9696 | ||||||||||||||||||||||||||||||||||
| lukas.lange-3 | 0.9704 | 0.9686 | 0.9695 | ||||||||||||||||||||||||||||||||||
| lukas.lange-4 | 0.9696 | 0.9677 | 0.9686 | ||||||||||||||||||||||||||||||||||
| lukas.lange-5 | 0.9672 | 0.9638 | 0.9655 |
