Architecture basée sur des modèles d'intelligence artificielle pour la numérisation de déclarations manuscrites des erreurs médicamenteuses - Institut National Universitaire Champollion
Communication Dans Un Congrès Année : 2024

Architecture basée sur des modèles d'intelligence artificielle pour la numérisation de déclarations manuscrites des erreurs médicamenteuses

Résumé

La tecnología de Reconocimiento Óptico de Caracteres (OCR) ha demostrado ser extremadamente útil en varios sectores para explorar grandes volúmenes de datos archivados. Esta tecnología permite la digitalización de textos impresos así como de textos manuscritos, que son comúnmente encontrados en el campo médico. Dado que muchos documentos médicos hasta ahora han sido escritos a mano, esto ha resultado en la acumulación de grandes cantidades de datos manuscritos, los cuales, lamentablemente, han sido imposibles de aprovechar. La digitalización mediante OCR es el primer paso necesario antes de poder extraer automáticamente datos importantes de estos documentos. Por ejemplo, en los hospitales, la digitalización de declaraciones manuscritas de errores de medicación pasados permite poblar una base de datos útil para la implementación de técnicas de análisis profundo. Tal base de datos contribuye a la optimización del proceso de gestión de errores de medicación. Para realizar esta digitalización de documentos manuscritos, los algoritmos de Aprendizaje Profundo (Deep Learning, DL) han demostrado excelentes resultados en varios estudios, aunque su entrenamiento es muy costoso en términos de tiempo y recursos. Sin embargo, este artículo detalla el uso de modelos "Transformers" preentrenados, como una alternativa menos costosa y que produce resultados más fieles al texto manuscrito.

La reconnaissance optique de caractères (OCR) s'avère extrêmement utile dans plusieurs secteurs pour l'exploration des données massives archivées. Cette technologie permet la numérisation des textes imprimés ainsi que des textes manuscrits, qui sont fréquemment présents dans le domaine médical. Comme beaucoup de documents médicaux étaient jusqu'à présent rédigés manuellement, cela a entraîné l'accumulation de nombreuses données manuscrites, mais malheureusement impossible à exploiter. Leur numérisation par OCR est l'étape initiale à réaliser avant d'extraire automatiquement les données importantes de ces documents. Par exemple, dans les hôpitaux, la numérisation des déclarations manuscrites des erreurs médicamenteuses passées permet de peupler la base de données utile à l'implémentation de techniques d'analyse approfondie. Une telle base contribue à l'optimisation du processus de gestion des erreurs médicamenteuses. Pour accomplir cette numérisation de documents manuscrits, les algorithmes de Deep Learning (DL) ont démontré d'excellents résultats dans plusieurs études, bien que leur entraînement soit très coûteux en termes de temps et de ressources. Cependant, cet article détaille l'utilisation de modèles "Transformers" pré-entraînés, comme alternative moins coûteuse et qui donne des résultats plus conformes au texte manuscrit.

Fichier principal
Vignette du fichier
Alass-Giseh_2024_paper_94.pdf (1.16 Mo) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-04684089 , version 1 (02-09-2024)

Identifiants

  • HAL Id : hal-04684089 , version 1

Citer

Brini Mohamed Ayachi, Touati Hanae, Thabet Rafika, Franck Fontanili, Elyes Lamine. Architecture basée sur des modèles d'intelligence artificielle pour la numérisation de déclarations manuscrites des erreurs médicamenteuses. Alass-Giseh 2024 - 1er congrès de l'Association latine pour l’analyse des systèmes de santé et de la communauté de Gestion et Ingénierie des systèmes hospitaliers, Jul 2024, Liège (B), Belgique. pp.398-405. ⟨hal-04684089⟩
14 Consultations
7 Téléchargements

Partager

More