Тема: РАЗРАБОТКА И ПРОГРАММНАЯ РЕАЛИЗАЦИЯ АЛГОРИТМОВ ИЗВЛЕЧЕНИЯ ИМЕНОВАННЫХ СУЩНОСТЕЙ ИЗ ПРОТОКОЛОВ ОСМОТРА ЭЛЕКТРОННОЙ ИСТОРИИ БОЛЕЗНИ

1. Концепция создания информационной системы в здравоохранении на
период до 2020 года. URL:
http://remedium.ru/legislation/other/detail.php?ID=36180.
2. Приложение к приказу Министерства здравоохранения и социального
развития Российской Федерации от 28 апреля 2011 № 364 «Концепция создания единой государственной информационной системы в сфере здравоохранения». URL: https://www.rosminzdrav.ru/documents/
%207200-prikaz-minzdravsotsrazvitiya-rossii-364-ot-28-aprelya-2011-g.
3. Тавровский В. М., Гусев А. В. К чему должна привести информатизация здравоохранения: попытка спроектировать будущее // Врач и информационные технологии. 2011. № 5. С. 60-76.
4. Лактионова Л. В. Организация информационного пространства медицинского учреждения // Социальные аспекты здоровья населения. 2013. Т. 30. № 2. URL: http://vestnik.mednet.ru/content/view/470/30.
5. Жиляев П. С., Горюнова Т. И. Организация телемедицинской системы Пензенской области // Современные наукоемкие технологии. 2014. № 5-1. С. 127-127.
6. Брумштейн Ю. М., Сивер О. В., Кузьмина А. Б.
Функционально-стоимостные характеристики медицинских информационных систем: опыт системного анализа // Инженерный вестник Дона. 2014. Т. 32. № 4-2. URL:
http://www.ivdon.ru/ru/magazine/archive/n4p2y2014/2638.
7. Куликова И. Б. и др. Современное состояние здравоохранения Тюменской области // Медицинская наука и образование Урала. 2016. Т. 17. № 3. С. 102-105.
8. Garde S. et al. Expressing clinical data sets with openEHR archetypes: a solid basis for ubiquitous computing // International Journal of Medical Informatics. 2007. V. 76. P. 334-341.
9. Dolin R. H. et al. HL7 clinical document architecture, release 2 // Journal of the American Medical Informatics Association. 2006. V. 13. № 1. P. 30-39.
10. Белышев Д. В., Кочуров Е. В. Анализ методов хранения данных в современных медицинских информационных системах // Программные системы: теория и приложения. 2016. Т. 7. № 2 (29). С.85-103.
11. Кобринский Б. А. Автоматизированные регистры медицинского назначения: теория и практика применения. М.: Директ-Медиа, 2016. 149 c.
12. Rapsomaniki, E., Shah, A., Perel, P., Denaxas, S., George, J., Nicholas, O., ... & Smeeth, L. (2013). Prognostic models for stable coronary artery disease based on electronic health record cohort of 102 023 patients. European heart journal, 35(13), 844-852.
13. Miotto, R., Li, L., Kidd, B. A., & Dudley, J. T. (2016). Deep patient: an
unsupervised representation to predict the future of patients from the electronic health records. Scientific reports, 6, 26094. URL:
https://www.nature.com/articles/srep26094
14. Choi, E., Bahadori, M. T., Schuetz, A., Stewart, W. F., & Sun, J. (2016, December). Doctor ai: Predicting clinical events via recurrent neural networks. In Machine Learning for Healthcare Conference (pp. 301-318).
15. Ravi, D., Wong, C., Deligianni, F., Berthelot, M., Andreu-Perez, J., Lo, B., & Yang, G. Z. (2017). Deep learning for health informatics. IEEE journal of biomedical and health informatics, 21(1), 4-21.
16. Shickel, B., Tighe, P. J., Bihorac, A., & Rashidi, P. (2018). Deep EHR: a survey of recent advances in deep learning techniques for electronic health record (EHR) analysis. IEEE journal of biomedical and health informatics, 22(5), 1589-1604.
17. Luo, L., Li, L., Hu, J., Wang, X., Hou, B., Zhang, T., & Zhao, L. P. (2016). A hybrid solution for extracting structured medical information from unstructured data in medical records via a double-reading/entry system. BMC medical informatics and decision making, 16(1), 114. URL: https://bmcmedinformdecismak.biomedcentral.com/track/pdf710.1186/s12911-016-0357-5.
18. Kreimeyer, K., Foster, M., Pandey, A., Arya, N., Halford, G., Jones, S. F., ... & Botsis, T. (2017). Natural language processing systems for capturing and standardizing unstructured clinical information: A systematic review. Journal of biomedical informatics, 73, 14-29.
19. Neveol, A., Dalianis, H., Velupillai, S., Savova, G., & Zweigenbaum, P. (2018). Clinical natural language processing in languages other than english: opportunities and challenges. Journal of biomedical semantics, 9(1), 12. URL: https://jbiomedsem.biomedcentral.com/articles/10.1186/s13326-018-0179-8.
20. Baranov A. A., Namazova-Baranova, L.S., Smirnov, I.V., Devyatkin, D.A., Shelmanov, A.O., Vishneva, E.A. et al Methods and means of integrated intellectual analysis of medical data // Proceedings of the Institute for System Analysis of the Russian Academy of Sciences. - 2015. - T. 65. - No. 2.- S. 81-93.
21. Baranov A.A., Namazova-Baranova, L.S., Smirnov, I.V., Devyatkin, D.A., Shelmanov, A.O., Vishneva, E.A. et al Technologies for the integrated intellectual analysis of clinical data // Bulletin of the Russian Academy of Medical Sciences. - 2016. - T. 71. - No. 2. - S. 160-171.
22. Dudchenko P. V., Dudchenko A. V., Kopanitsa G. D. Methods of extracting data from unstructured medical records // Intelligent analysis of signals, data and knowledge: methods and tools. Collection of articles of the II All-Russian scientific-practical conference with international participation.
23. Ratinov L., Roth D. Design challenges and misconceptions in named entity recognition. // Proceedings of the Thirteenth Conference on Computational Natural Language Learning / Association for Computational Linguistics.
2009. P. 147-155.
24. Tjong Kim Sang E.F., De Meulder F. Introduction to the CoNLL-2003 Shared Task: Language-independent Named Entity Recognition // Proceedings of the seventh conference on Natural language learning at HLT-NAACL 2003-Volume 4 / Association for Computational Linguistics. 2003. P. 142-147.
25. Kim J.-D., Ohta T., Tsuruoka Y., Tateisi Y. Introduction to the Bio-Entity Recognition Task at JNLPBA // Proceedings of the international joint workshop on natural language processing in biomedicine and its applications / Association for Computational Linguistics. 2004. P. 70-75.
26. Nadeau D., Sekine S. A survey of named entity recognition and classification // Lingvisticae Investigationes. 2007. Vol. 30, no. 1. P. 3-26.
27. Rea, S., Pathak, J., Savova, G., Oniki, T. A., Westberg, L., Beebe, C. E. Chute, C. G. (2012). Building a robust, scalable and standards-driven infrastructure for secondary use of EHR data
28. Pathak, J., Bailey, K. R., Beebe, C. E., Bethard, S., Carrell, D. S., Chen, P. J., ... & Huff, S. M. (2013). Normalization and standardization of electronic health records for high-throughput phenotyping: the SHARPn consortium. Journal of the American Medical Informatics Association, 20(e2): e341-e348.
29. Peek N., Holmes J. H., Sun J. (2014) Technical challenges for big data in biomedicine and health: data sources, infrastructure, and analytics //Yearbook of medical informatics. 9(1), 42-47.
30. Hripcsak, G., & Albers, D. J. (2017). High-fidelity phenotyping: richness and freedom from bias. Journal of the American Medical Informatics Association, 25(3), 289-294.
31. Wang, Y., Wang, L., Rastegar-Mojarad, M., Moon, S., Shen, F., Afzal, N., ... & Liu, H. (2018). Clinical information extraction applications: a literature review. Journal of biomedical informatics, 77, 34-49
32. Luo, Y. (2017). Recurrent neural networks for classifying relations in clinical notes. Journal of biomedical informatics, 72, 85-95.
33. Wang, L., Wang, Y., Shen, F., Rastegar-Mojarad, M., & Liu, H. (2018, July). Predicting Practice Setting Using Topic Modeling. In 6th IEEE International Conference on Healthcare Informatics Workshops, ICHI-W 2018 (pp. 62-63). Institute of Electrical and Electronics Engineers Inc.
34. Haendel, M. A., Chute, C. G., & Robinson, P. N. (2018). Classification, ontology, and precision medicine. New England Journal of Medicine, 379(15), 1452-1462.
35. Gribova V.V. et al. Ontology of medical diagnostics for intelligent decision support systems// Design Ontology. - 2018. - T. 8. - No. 1 (27).

Купить