SemantIAr: Corpus semántico en español rioplatense

Facultad de Ciencias Médicas, Universidad Nacional de La Plata (UNLP) Licencia: Creative Commons Atribución- 4.0 Internacional (CC BY-SA 4.0) Contexto de investigación y justificación científica El procesamiento del lenguaje natural (PLN) aplicado al ámbito biomédico en el español rioplatense enfrenta desafíos singulares derivados de las prácticas de registro hospitalario: alta frecuencia de abreviaturas locales no estandarizadas, elisiones léxicas, formas telegráficas y dialectos clínicos propios de la región. En el marco del Proyecto de Tesis Doctoral SemantIAr (Codificación de Texto Clínico a SNOMED CT con Índice de Incertidumbre Semántica en Español Rioplatense), desarrollado en la Facultad de Ciencias Médicas de la Universidad Nacional de La Plata (UNLP), este repositorio pone a disposición de la comunidad científica un inventario curado de términos clínicos, variantes superficiales y abreviaturas rioplatenses mapeadas a la ontología internacional SNOMED CT (Edición Nacional Argentina) en una versión congelada a mayo 2026. Procedimiento metodológico Fuente del corpus Los datos fueron extraídos a partir de notas clínicas des identificadas obtenidas de la Historia de Salud Integrada (HSI) de la Provincia de Buenos Aires, comprendiendo episodios ambulatorios y de internación general en múltiples especialidades médicas. La muestra se seleccionó por densidad semántica (básico- avanzado y experto, ver protocolo de muestreo) y se estratificó por modalidad (ambulatorio, internación) así como efector sanitario. Se buscó optimizar recuperación sin desbalance muestral. Protocolo de anotación Profesionales de la salud capacitados (anotadores) realizaron la tarea de identificación de entidades y asignación de códigos ontológicos mediante una plataforma web de anotación clínica con contratos formales de validación. La tarea se organizó en dos capas independientes:- Capa clínica: Identificación de spans de texto que representan tres jerarquías en la ontología de SNOMED: hallazgos clínicos, procedimientos y fármacos, asociándolos a su respectivo identificador de concepto SNOMED CT (`sctid`), término preferido y categoría semántica.- Capa léxica: Delimitación y caracterización contextual de formas breves, siglas, abreviaturas y términos sintácticos rioplatenses, registrando su forma superficial, tipo de forma, función discursiva y sentido contextual clínico (`senseId`). Los anotadores trabajaron de manera independiente, se constituyeron 15 parejas de anotadores, con 15 muestras en total (una muestra por pareja de anotador) de 5 notas clínicas de nivel básico. Más información aquí