Актуальность. Ранняя диагностика аксиального спондилоартрита (аксСпА) является актуальной задачей, требующей поддержки принятия клинических решений (ППКР). В настоящее время значительная часть данных, применимых для разработки систем ППКР, представлена в неструктурированном виде. Семантический анализ медицинских текстов – сложная задача, требующая создания универсальных инструментов для извлечения именованных сущностей. Крупнейшим источником данных для аннотирования биомедицинских текстов является Unified Medical Language System (UMLS) – международный метатезаурус, включающий свыше 11 млн вариантов написания 4,6 млн терминов (концептов). Ключевой проблемой при использовании UMLS для анализа медицинских текстов является наличие большого количества неспецифичных (общих) терминов, не имеющих явного клинического смысла. Применение таких концептов приводит к значительному ухудшению результатов поиска, что указывает на необходимость создания инструментов автоматической оценки степени специфичности терминов UMLS.
Цель исследования. Разработка алгоритма для оценки степени специфичности терминов метатезауруса UMLS (на примере аксиального спондилоартрита).
Методы и материалы. В качестве источника информации для автоматического поиска клинических терминов использовались аннотации к англоязычным научным статьям. Тексты аннотаций извлекались с применением средств поисковой системы PubMed и помещались в единый электронный корпус, использованный для последующего извлечения концептов метатезауруса UMLS. Каждый из 24276 текстов корпуса имел однозначную метку принадлежности к одному из заболеваний дифференциального ряда для аксСпА. В общий свод включено 8260 концептов, каждый из которых получил экспертную бинарную метку относительной специфичности.
Результаты. Сформирован набор правил, основанных на сравнении средних длин иерархических цепей атомарных формулировок терминов, общего числа прямых связей, TF-IDF меры и числа связей «родитель-потомок» концептов UMLS. Данные правила включены в итоговый алгоритм оценки специфичности концептов, точность которого при попарном сравнении составила 99,1% для тестовой выборки. Однако точность модели при бинарной классификации всех концептов из выделенного свода терминов составила 74,2%, что является недостаточным для обоснования его применения при автоматическом сокращении терминологических сводов большого объема. Сформированы критерии и ограничения для использования разработанного алгоритма в процессе аннотации клинических документов.
Цель исследования. Разработка алгоритма для оценки степени специфичности терминов метатезауруса UMLS (на примере аксиального спондилоартрита).
Методы и материалы. В качестве источника информации для автоматического поиска клинических терминов использовались аннотации к англоязычным научным статьям. Тексты аннотаций извлекались с применением средств поисковой системы PubMed и помещались в единый электронный корпус, использованный для последующего извлечения концептов метатезауруса UMLS. Каждый из 24276 текстов корпуса имел однозначную метку принадлежности к одному из заболеваний дифференциального ряда для аксСпА. В общий свод включено 8260 концептов, каждый из которых получил экспертную бинарную метку относительной специфичности.
Результаты. Сформирован набор правил, основанных на сравнении средних длин иерархических цепей атомарных формулировок терминов, общего числа прямых связей, TF-IDF меры и числа связей «родитель-потомок» концептов UMLS. Данные правила включены в итоговый алгоритм оценки специфичности концептов, точность которого при попарном сравнении составила 99,1% для тестовой выборки. Однако точность модели при бинарной классификации всех концептов из выделенного свода терминов составила 74,2%, что является недостаточным для обоснования его применения при автоматическом сокращении терминологических сводов большого объема. Сформированы критерии и ограничения для использования разработанного алгоритма в процессе аннотации клинических документов.
Литература
1. Моисеев С.В., Новиков П.И., Гуляев С.В. и др. Анкилозирующий спондилит: подходы к диагностике и клиническая эффективность упадацитиниба // Клиническая фармакология и терапия. — 2021. — Т.30. — №4. — С.62-70. doi: 10.32756/0869-5490-2021-4-62-70.
2. Кричевская О.А., Дубинина Т.В., Ильиных Е.В. и др. Боль в спине и оценка активности анкилозирующего спондилита на фоне гестации: симптомы, отражающие обострение заболевания, и беременность // Современная ревматология. — 2022. — Т.16. — №5. — С.60-65. doi: 10.14412/1996-7012-2022-5-60-65.
3. Дубинина Т.В., Демина А.Б. Методы лучевой диагностики как инструмент мониторинга аксиального спондилоартрита в реальной клинической практике // Современная ревматология. — 2022. — Т.16. — №1. — С.91-96. doi: 10.14412/1996-7012-2022-1-91-96.
4. Варавин Н.А., Верткин А.Л. Боль в спине в терапевтической практике // Лечащий врач. — 2022. — Т.25. — №7-8. — С.52-56. doi: 10.51793/OS.2022.25.8.008.
5. Каратеев Д.Е., Степанова Е.А., Лучихина Е.Л. Методические рекомендации по рентгенологическим методам исследования при ревматоидном артрите и анкилозирующем спондилите // Эффективная фармакотерапия. — 2022. — Т.18. — №18. — С.12-25. doi: 10.33978/2307-3586-2022-18-18-12-25.
6. Гайдук А.С., Железняк И.С., Тыренко В.В. и др. Цифровой томосинтез и другие методы визуализации в ранней диагностике аксиальных спондилоартритов: обзор литературы // Лучевая диагностика и терапия. — 2022. — №2(13). — С.25-35. doi: 10.22328/2079-5343-2022-13-2-25-35.
7. Гараева А.Р., Лапшина С.А., Анисимов В.И. и др. Клинико-инструментальная диагностика ранних изменений атлантоаксиальной области при анкилозирующем спондилите // Практическая медицина. — 2023. — Т.21. — №3. — С.68-73. doi: 10.32000/2072-1757-2023-3-68-73.
8. Иванова Л.В., Акулинушкина Е.Ю., Лапшина С.А., Абдулганиева Д.И. Ранняя диагностика воспалительных заболеваний кишечника у пациентов со спондилоартритами // Практическая медицина. — 2023. — Т.21. — №2. — С.54-57. doi: 10.32000/2072-1757-2023-2-54-57.
9. Моисеев С.В., Буланов Н.М. Аутоиммунитет, аутовоспаление и почки // Клиническая фармакология и терапия. — 2022. — Т.31. — №4. — С.7-17. doi: 10.32756/0869-5490-2022-4-7-17.
10. Пономарева М.Н., Карпова Д.А., Петров И.М. Анкилозирующий спондилит: гипотезы патогенеза, новые биомаркеры и особенности терапии // Современные проблемы науки и образования. — 2021. — №6. — С.188. doi: 10.17513/spno.31264.
11. Мартюшев-Поклад А.В., Гулиев Я.И., Казаков И.Ф. и др. Персоноцентрированные инструменты цифровой трансформации здравоохранения: пути совершенствования // Врач и информационные технологии. — 2021. — №S5. — С.4-13. doi: 10.25881/18110193_2021_S5_4.
12. Батудаева Т.И., Павлова А.Б., Лобышева Е.А., Арзуманян Э.А. Анализ стационарной помощи пациентам с анкилозирующим спондилитом // Вестник Бурятского государственного университета. Медицина и фармация. — 2022. — №1. — С.7-14. doi: 10.18101/2306-1995-2022-1-7-14.
13. Шостак Н.А., Правдюк Н.Г., Новикова А.В. Боль в спине у молодых: алгоритм ведения в практике врача первичного звена // Клиницист. — 2022. — Т.16. — №3. — С.48-57. doi: 10.17650/1818-8338-2022-16-3-K674.
14. Лила А.М., Дубинина Т.В., Древаль Р.О. и др. Медико-социальная значимость и расчет экономического бремени аксиального спондилоартрита в Российской Федерации // Современная ревматология. — 2022. — Т.16. — №1. — С.20-25. doi: 10.14412/1996-7012-2022-1-20-25.
15. Астанин П.А., Наркевич А.Н. Цифровые технологии в оценке течения заболеваний с выраженным болевым синдромом на примере анкилозирующего спондилита // Российский журнал боли. — 2021. — Т.19. — №2. — С.38-41. doi: 10.17116/pain20211902138.
16. Киселев К.В., Ноева Е.А., Выборов О.Н. и др. Разработка алгоритма работы логического решателя интеллектуальной системы поддержки принятия врачебных решений для инструментальной диагностики стенокардии // Медицинские технологии. Оценка и выбор. — 2019. — №1(35). — С.32-42. doi: 10.31556/2219-0678.2019.35.1.032-042.
17. Кобринский Б.А., Благосклонов Н.А., Демикова Н.С., и др. Компьютерная система для дифференциальной диагностики лизосомных болезней накопления на основе методов искусственного интеллекта // Бюллетень сибирской медицины. — 2022. — Т.21. — №2. — С.67-73. doi: 10.20538/1682-0363-2022-2-67-73.
18. Орлова Н.В., Суворов Г.Н., Горбунов К.С. Этика и правовое регулирование использования больших баз данных в медицине // Медицинская этика. — 2022. — Т.10. — №3. — С.4-9. doi: 10.24075/medet.2022.056.
19. Шарова Д.Е., Михайлова А.А., Гусев А.В. Анализ мирового опыта в регулировании использования медицинских данных для целей создания систем искусственного интеллекта на основе машинного обучения // Врач и информационные технологии. — 2022. — №4. — С.28-39. doi: 10.25881/18110193_2022_4_28.
20. Гусев А.В., Зингерман Б.В., Тюфилин Д.С., Зинченко В.В. Электронные медицинские карты как источник данных реальной клинической практики // Реальная клиническая практика: данные и доказательства. — 2022. — Т.2. — №2. — С.8-20. doi: 10.37489/2782-3784-myrwd-13.
21. Гурдаева Н.А. Специальная лексика современного русского языка в свете теории функционально-семантического поля // Вестник Таганрогского государственного педагогического института. — 2012. — №2. — С.15-19.
22. Зарубина Т.В. Медицинская информатика: учебник / Под ред. Т.В. Зарубиной, Б.А. Кобринского. — Москва: ГЭОТАР-Медиа, 2022. doi: 10.33029/9704-6273-7-TMI-2022-1-464.
23. Осмоловский И.С., Зарубина Т.В., Шостак Н.А. и др. Разработка структуры базы знаний в области диагностики подагры // Сибирский журнал клинической и экспериментальной медицины. — 2022. — Т.37. — №3. — С.149-158. doi: 10.29001/2073-8552-2022-37-3-149-158.
24. Будыкина А.В., Тихомирова Е.В., Киселев К.В. и др. Формализация знаний о желудочно-кишечном кровотечении неясного генеза для использования в интеллектуальных системах поддержки принятия врачебных решений // Вестник новых медицинских технологий. — 2020. — Т.27. — №4. — С.98-101. doi: 10.24411/1609-2163-2020-16741.
25. Колесникова О.И., Лопатина Е.В., Соколова В.В. Терминологические соответствия при переводе экономических терминов с английского на русский язык // Международный научно-исследовательский журнал. — 2021. — №1-3(103). — С.153-157. doi: 10.23670/IRJ.2021.103.1.083.
26. Зацман И.М. Формы представления нового знания, извлеченного из текстов // Информатика и ее применения. — 2021. — Т.15. — №3. — С.83-90. doi: 10.14357/19922264210311.
27. Bodenreider O. The Unified Medical Language System (UMLS): integrating biomedical terminology. Nucleic Acids Res. 2004; 32: 267-270. doi: 10.1093/nar/gkh061.
28. Астанин П.А. Применение автоматизированного анализа семантической сети UMLS для решения задачи поиска релевантных знаний о ревматических заболеваниях // Математическое моделирование систем и процессов. 2022. — С.6-12. doi: 10.37490/978-5-00200-102-6-6-12.
29. Тучкова П.А. Применение методов обработки естественного языка для анализа текстовых и речевых данных в медицине // Наукосфера. — 2021. — №5-1. — С.174-179. doi: 10.5281/zenodo.4771893.
30. Сбоев А.Г., Селиванов А.А., Рыбка Р.Б. Современные методы экстракции связанных именованных сущностей на примере биомедицинских текстовых данных // Вестник Военного инновационного технополиса «Эра». — 2022. — Т.3. — №1. — С.57-67. doi: 10.56304/S2782375X22010193.
31. Гусев А.В., Владзимирский А.В., Голубев Н.А., Зарубина Т.В. Информатизация здравоохранения Российской Федерации: история и результаты развития // Национальное здравоохранение. — 2021. — Т.2. — №3. — С.5-17. doi: 10.47093/2713-069X.2021.2.3.5-17.
32. Никитина Н. М., Юпатова М. И., Ребров А. П. Проблемы остеопороза у пациентов с анкилозирующим спондилитом (обзор литературы) // Медицинский алфавит. — 2023. — №9. —
С.40-45. doi: 10.33667/2078-5631-2023-9-40-45.
33. Годзенко А.А., Черемушкина Е.В., Димитрева А.Е., Урумова М.М. Сочетание анкилозирующего спондилита и ревматоидного артрита: клинические наблюдения и обзор литературы // Современная ревматология. — 2021. — Т.15. — №4. — С.72-80. [doi: 10.14412/1996-7012-2021-4-72-80.
34. Нурполатова С.Т., Косымбетова А.Б., Джуманазарова Г.У. Боль в спине, как одна из проблем медицины // Бюллетень науки и практики. — 2021. — Т.7. — №6. — С.200-207. doi: 10.33619/2414-2948/67/23.
35. Олюнин Ю.А., Лила А.М. Хроническая боль в спине глазами ревматолога // Современная ревматология. — 2022. — Т.16. — №5. — С.94-100. doi: 10.14412/1996-7012-2022-5-94-100.
36. Астанин П.А., Раузина С.Е., Зарубина Т.В. Автоматизированная система извлечения клинически релевантных терминов UMLS из текстов англоязычных статей на примере аксиального спондилоартрита. Социальные аспекты здоровья населения. — 2023. — Т.69. — №3. — С.1. doi: 10.21045/2071-5021-2023-69-3-14.
37. Валиев А.И., Лысенкова С.А. Применение методов машинного обучения для автоматизации процесса анализа содержания текста // Вестник кибернетики. — 2021. — №4(44). — С.12-15. doi: 10.34822/1999-7604-2021-4-12-15.
38. Зулкарнеев Р.Х., Юсупова Н.И., Сметанина О.Н. и др. Методы и модели извлечения знаний из медицинских документов // Информатика и автоматизация. — 2022. — Т.21. — №6. — С.1169-1210. doi: 10.15622/ia.21.6.4.
2. Кричевская О.А., Дубинина Т.В., Ильиных Е.В. и др. Боль в спине и оценка активности анкилозирующего спондилита на фоне гестации: симптомы, отражающие обострение заболевания, и беременность // Современная ревматология. — 2022. — Т.16. — №5. — С.60-65. doi: 10.14412/1996-7012-2022-5-60-65.
3. Дубинина Т.В., Демина А.Б. Методы лучевой диагностики как инструмент мониторинга аксиального спондилоартрита в реальной клинической практике // Современная ревматология. — 2022. — Т.16. — №1. — С.91-96. doi: 10.14412/1996-7012-2022-1-91-96.
4. Варавин Н.А., Верткин А.Л. Боль в спине в терапевтической практике // Лечащий врач. — 2022. — Т.25. — №7-8. — С.52-56. doi: 10.51793/OS.2022.25.8.008.
5. Каратеев Д.Е., Степанова Е.А., Лучихина Е.Л. Методические рекомендации по рентгенологическим методам исследования при ревматоидном артрите и анкилозирующем спондилите // Эффективная фармакотерапия. — 2022. — Т.18. — №18. — С.12-25. doi: 10.33978/2307-3586-2022-18-18-12-25.
6. Гайдук А.С., Железняк И.С., Тыренко В.В. и др. Цифровой томосинтез и другие методы визуализации в ранней диагностике аксиальных спондилоартритов: обзор литературы // Лучевая диагностика и терапия. — 2022. — №2(13). — С.25-35. doi: 10.22328/2079-5343-2022-13-2-25-35.
7. Гараева А.Р., Лапшина С.А., Анисимов В.И. и др. Клинико-инструментальная диагностика ранних изменений атлантоаксиальной области при анкилозирующем спондилите // Практическая медицина. — 2023. — Т.21. — №3. — С.68-73. doi: 10.32000/2072-1757-2023-3-68-73.
8. Иванова Л.В., Акулинушкина Е.Ю., Лапшина С.А., Абдулганиева Д.И. Ранняя диагностика воспалительных заболеваний кишечника у пациентов со спондилоартритами // Практическая медицина. — 2023. — Т.21. — №2. — С.54-57. doi: 10.32000/2072-1757-2023-2-54-57.
9. Моисеев С.В., Буланов Н.М. Аутоиммунитет, аутовоспаление и почки // Клиническая фармакология и терапия. — 2022. — Т.31. — №4. — С.7-17. doi: 10.32756/0869-5490-2022-4-7-17.
10. Пономарева М.Н., Карпова Д.А., Петров И.М. Анкилозирующий спондилит: гипотезы патогенеза, новые биомаркеры и особенности терапии // Современные проблемы науки и образования. — 2021. — №6. — С.188. doi: 10.17513/spno.31264.
11. Мартюшев-Поклад А.В., Гулиев Я.И., Казаков И.Ф. и др. Персоноцентрированные инструменты цифровой трансформации здравоохранения: пути совершенствования // Врач и информационные технологии. — 2021. — №S5. — С.4-13. doi: 10.25881/18110193_2021_S5_4.
12. Батудаева Т.И., Павлова А.Б., Лобышева Е.А., Арзуманян Э.А. Анализ стационарной помощи пациентам с анкилозирующим спондилитом // Вестник Бурятского государственного университета. Медицина и фармация. — 2022. — №1. — С.7-14. doi: 10.18101/2306-1995-2022-1-7-14.
13. Шостак Н.А., Правдюк Н.Г., Новикова А.В. Боль в спине у молодых: алгоритм ведения в практике врача первичного звена // Клиницист. — 2022. — Т.16. — №3. — С.48-57. doi: 10.17650/1818-8338-2022-16-3-K674.
14. Лила А.М., Дубинина Т.В., Древаль Р.О. и др. Медико-социальная значимость и расчет экономического бремени аксиального спондилоартрита в Российской Федерации // Современная ревматология. — 2022. — Т.16. — №1. — С.20-25. doi: 10.14412/1996-7012-2022-1-20-25.
15. Астанин П.А., Наркевич А.Н. Цифровые технологии в оценке течения заболеваний с выраженным болевым синдромом на примере анкилозирующего спондилита // Российский журнал боли. — 2021. — Т.19. — №2. — С.38-41. doi: 10.17116/pain20211902138.
16. Киселев К.В., Ноева Е.А., Выборов О.Н. и др. Разработка алгоритма работы логического решателя интеллектуальной системы поддержки принятия врачебных решений для инструментальной диагностики стенокардии // Медицинские технологии. Оценка и выбор. — 2019. — №1(35). — С.32-42. doi: 10.31556/2219-0678.2019.35.1.032-042.
17. Кобринский Б.А., Благосклонов Н.А., Демикова Н.С., и др. Компьютерная система для дифференциальной диагностики лизосомных болезней накопления на основе методов искусственного интеллекта // Бюллетень сибирской медицины. — 2022. — Т.21. — №2. — С.67-73. doi: 10.20538/1682-0363-2022-2-67-73.
18. Орлова Н.В., Суворов Г.Н., Горбунов К.С. Этика и правовое регулирование использования больших баз данных в медицине // Медицинская этика. — 2022. — Т.10. — №3. — С.4-9. doi: 10.24075/medet.2022.056.
19. Шарова Д.Е., Михайлова А.А., Гусев А.В. Анализ мирового опыта в регулировании использования медицинских данных для целей создания систем искусственного интеллекта на основе машинного обучения // Врач и информационные технологии. — 2022. — №4. — С.28-39. doi: 10.25881/18110193_2022_4_28.
20. Гусев А.В., Зингерман Б.В., Тюфилин Д.С., Зинченко В.В. Электронные медицинские карты как источник данных реальной клинической практики // Реальная клиническая практика: данные и доказательства. — 2022. — Т.2. — №2. — С.8-20. doi: 10.37489/2782-3784-myrwd-13.
21. Гурдаева Н.А. Специальная лексика современного русского языка в свете теории функционально-семантического поля // Вестник Таганрогского государственного педагогического института. — 2012. — №2. — С.15-19.
22. Зарубина Т.В. Медицинская информатика: учебник / Под ред. Т.В. Зарубиной, Б.А. Кобринского. — Москва: ГЭОТАР-Медиа, 2022. doi: 10.33029/9704-6273-7-TMI-2022-1-464.
23. Осмоловский И.С., Зарубина Т.В., Шостак Н.А. и др. Разработка структуры базы знаний в области диагностики подагры // Сибирский журнал клинической и экспериментальной медицины. — 2022. — Т.37. — №3. — С.149-158. doi: 10.29001/2073-8552-2022-37-3-149-158.
24. Будыкина А.В., Тихомирова Е.В., Киселев К.В. и др. Формализация знаний о желудочно-кишечном кровотечении неясного генеза для использования в интеллектуальных системах поддержки принятия врачебных решений // Вестник новых медицинских технологий. — 2020. — Т.27. — №4. — С.98-101. doi: 10.24411/1609-2163-2020-16741.
25. Колесникова О.И., Лопатина Е.В., Соколова В.В. Терминологические соответствия при переводе экономических терминов с английского на русский язык // Международный научно-исследовательский журнал. — 2021. — №1-3(103). — С.153-157. doi: 10.23670/IRJ.2021.103.1.083.
26. Зацман И.М. Формы представления нового знания, извлеченного из текстов // Информатика и ее применения. — 2021. — Т.15. — №3. — С.83-90. doi: 10.14357/19922264210311.
27. Bodenreider O. The Unified Medical Language System (UMLS): integrating biomedical terminology. Nucleic Acids Res. 2004; 32: 267-270. doi: 10.1093/nar/gkh061.
28. Астанин П.А. Применение автоматизированного анализа семантической сети UMLS для решения задачи поиска релевантных знаний о ревматических заболеваниях // Математическое моделирование систем и процессов. 2022. — С.6-12. doi: 10.37490/978-5-00200-102-6-6-12.
29. Тучкова П.А. Применение методов обработки естественного языка для анализа текстовых и речевых данных в медицине // Наукосфера. — 2021. — №5-1. — С.174-179. doi: 10.5281/zenodo.4771893.
30. Сбоев А.Г., Селиванов А.А., Рыбка Р.Б. Современные методы экстракции связанных именованных сущностей на примере биомедицинских текстовых данных // Вестник Военного инновационного технополиса «Эра». — 2022. — Т.3. — №1. — С.57-67. doi: 10.56304/S2782375X22010193.
31. Гусев А.В., Владзимирский А.В., Голубев Н.А., Зарубина Т.В. Информатизация здравоохранения Российской Федерации: история и результаты развития // Национальное здравоохранение. — 2021. — Т.2. — №3. — С.5-17. doi: 10.47093/2713-069X.2021.2.3.5-17.
32. Никитина Н. М., Юпатова М. И., Ребров А. П. Проблемы остеопороза у пациентов с анкилозирующим спондилитом (обзор литературы) // Медицинский алфавит. — 2023. — №9. —
С.40-45. doi: 10.33667/2078-5631-2023-9-40-45.
33. Годзенко А.А., Черемушкина Е.В., Димитрева А.Е., Урумова М.М. Сочетание анкилозирующего спондилита и ревматоидного артрита: клинические наблюдения и обзор литературы // Современная ревматология. — 2021. — Т.15. — №4. — С.72-80. [doi: 10.14412/1996-7012-2021-4-72-80.
34. Нурполатова С.Т., Косымбетова А.Б., Джуманазарова Г.У. Боль в спине, как одна из проблем медицины // Бюллетень науки и практики. — 2021. — Т.7. — №6. — С.200-207. doi: 10.33619/2414-2948/67/23.
35. Олюнин Ю.А., Лила А.М. Хроническая боль в спине глазами ревматолога // Современная ревматология. — 2022. — Т.16. — №5. — С.94-100. doi: 10.14412/1996-7012-2022-5-94-100.
36. Астанин П.А., Раузина С.Е., Зарубина Т.В. Автоматизированная система извлечения клинически релевантных терминов UMLS из текстов англоязычных статей на примере аксиального спондилоартрита. Социальные аспекты здоровья населения. — 2023. — Т.69. — №3. — С.1. doi: 10.21045/2071-5021-2023-69-3-14.
37. Валиев А.И., Лысенкова С.А. Применение методов машинного обучения для автоматизации процесса анализа содержания текста // Вестник кибернетики. — 2021. — №4(44). — С.12-15. doi: 10.34822/1999-7604-2021-4-12-15.
38. Зулкарнеев Р.Х., Юсупова Н.И., Сметанина О.Н. и др. Методы и модели извлечения знаний из медицинских документов // Информатика и автоматизация. — 2022. — Т.21. — №6. — С.1169-1210. doi: 10.15622/ia.21.6.4.
Для цитирования
Астанин П.А., Ронжин Л.В., Раузина С.Е. Алгоритм оценки специфичности терминов метатезауруса UMLS на примере анализа семантической модели для дифференциальной диагностики аксиального спондилоартрита. Врач и информационные технологии. 2023; 3: 30-43. doi: 10.25881/18110193_2023_3_30.
Документы
Ключевые слова