Resumen:
Esta tesis se enfoca en desarrollar un sistema de análisis de texto para facilitar la
identificación rápida de casos clínicos de diferentes tipos de archivo: documentos
(escaneados y pdf) e imágenes (jpg y png). Utiliza reconocimiento óptico de caracteres
(OCR, por sus siglas en inglés) y procesamiento de lenguaje natural (NLP, por sus siglas
en inglés) para extraer y analizar información clave.
El sistema identifica palabras clave en casos clínicos, como síntomas, tratamientos,
medicamentos, nombre de pacientes etc. Los usuarios pueden realizar búsquedas
ingresando palabras clave, obteniendo conjuntos de documentos relevantes para una
identificación más eficiente de casos similares.
Este enfoque tiene el potencial de agilizar la revisión de casos clínicos, especialmente
en entornos médicos con registros en formato analógico o escaneado. Busca mejorar
la toma de decisiones médicas al aprovechar la información histórica de manera más
efectiva, contribuyendo a una atención al paciente más informada y eficiente.
Descripción:
Desarrollo e implementación de un sistema basado en
inteligencia artificial que, mediante el uso de técnicas de Reconocimiento Óptico de
Caracteres (OCR) y Procesamiento de Lenguaje Natural (PLN), permita la extracción
automatizada de información clínica contenida en distintos tipos de documentos
médicos veterinarios (imágenes, PDFs y escaneos). Esta información será utilizada
para generar vectores de características que alimenten algoritmos de aprendizaje
automático, particularmente SVM, con el fin de realizar procesos de clasificación y
pronóstico clínico en casos que requieran atención médica y monitoreo continuo.
