Extract entities from patient narratives

This model has been trained to automatically identify and extract named entities from text data related to patient health and medical issues. The model has been specifically trained on text data that has been scraped from medical forums, where patients may discuss their health conditions, symptoms, and experiences with medical treatments.

Use the provided Streamlit playground application to test this service.

**Entity Recognition**: Initially, the model accurately identifies entities such as InjuryOrPoisoning, Substance, Form, Frequency, Employment, Drug, Route, Disease, Gender, Dosage, Employment, Procedure, RelationshipStatus, ClinicalDept, Symptom, VitalTest, Laterality, PsychologicalCondition,Modifier, Age, Vaccine, TestResult, HealthStatus, AdmissionDischarge, Allergen, DateTime, MedicalDevice, SubstanceQuantity, Treatment, BodyPart, Test, Duration

<p><br/></p>

**Assertion Status Detection**: Subsequently, it assigns an assertion status to each identified entity (e.g. Present_Or_Past, Hypothetical_Or_Absent, SomeoneElse)

<p><br/></p>

**Relation Extraction Labels:** The final step involves the detection of relationships between the extracted entities, identifying relation between specific dates with specific symptom, disease, treatment, test, drug and more or relations between drugs and diseases , disease and procedures, disease and allergens, (e.g. DateTime-Symptom, DateTime-Disease, DateTime-PsychologicalCondition, DateTime-InjuryOrPoisoning, DateTime-Drug, DateTime-Substance, DateTime-Procedure, DateTime-Treatment, DateTime-Test, DateTime-TestResult, DateTime-Vaccine, DateTime-AdmissionDischarge, TestResult-Test, TestResult-VitalTest, PsychologicalCondition-Drug, PsychologicalCondition-Procedure, PsychologicalCondition-Treatment, Disease-Drug, Disease-Procedure, Disease-Treatment, Disease-Allergen, Disease-Vaccine, Treatment-Drug, Treatment-Procedure)

本模型经训练后可自动从患者健康与医疗相关的文本数据中识别并提取命名实体。其训练语料专门取自医疗论坛爬取的文本，此类论坛中患者会讨论自身健康状况、症状以及药物治疗体验。

使用提供的Streamlit playground应用即可测试本服务。

**实体识别（Entity Recognition）**：本模型可精准识别以下实体类型：损伤与中毒（InjuryOrPoisoning）、物质（Substance）、剂型（Form）、频率（Frequency）、职业状况（Employment）、药物（Drug）、给药途径（Route）、疾病（Disease）、性别（Gender）、剂量（Dosage）、职业状况（Employment）、操作（Procedure）、婚姻状况（RelationshipStatus）、临床科室（ClinicalDept）、症状（Symptom）、生命体征检测（VitalTest）、侧别（Laterality）、心理状态（PsychologicalCondition）、修饰词（Modifier）、年龄（Age）、疫苗（Vaccine）、检测结果（TestResult）、健康状态（HealthStatus）、入院与出院（AdmissionDischarge）、过敏原（Allergen）、日期时间（DateTime）、医疗设备（MedicalDevice）、物质数量（SubstanceQuantity）、治疗方案（Treatment）、身体部位（BodyPart）、检测项目（Test）、持续时长（Duration）。

**断言状态检测（Assertion Status Detection）**：随后，模型会为每个已识别的实体分配断言状态，例如「存在/既往存在」（Present_Or_Past）、「假设/不存在」（Hypothetical_Or_Absent）、「涉及他人」（SomeoneElse）。

**关系抽取标签（Relation Extraction Labels）**：最终步骤为检测提取出的实体间的关联关系，具体包括识别特定日期与特定症状、疾病、治疗方案、检测项目、药物等实体间的关联，以及药物与疾病、疾病与操作、疾病与过敏原间的关联，示例包括：日期时间-症状（DateTime-Symptom）、日期时间-疾病（DateTime-Disease）、日期时间-心理状态（DateTime-PsychologicalCondition）、日期时间-损伤与中毒（DateTime-InjuryOrPoisoning）、日期时间-药物（DateTime-Drug）、日期时间-物质（DateTime-Substance）、日期时间-操作（DateTime-Procedure）、日期时间-治疗方案（DateTime-Treatment）、日期时间-检测项目（DateTime-Test）、日期时间-检测结果（DateTime-TestResult）、日期时间-疫苗（DateTime-Vaccine）、日期时间-入院与出院（DateTime-AdmissionDischarge）、检测结果-检测项目（TestResult-Test）、检测结果-生命体征检测（TestResult-VitalTest）、心理状态-药物（PsychologicalCondition-Drug）、心理状态-操作（PsychologicalCondition-Procedure）、心理状态-治疗方案（PsychologicalCondition-Treatment）、疾病-药物（Disease-Drug）、疾病-操作（Disease-Procedure）、疾病-治疗方案（Disease-Treatment）、疾病-过敏原（Disease-Allergen）、疾病-疫苗（Disease-Vaccine）、治疗方案-药物（Treatment-Drug）、治疗方案-操作（Treatment-Procedure）。