Compreensão de linguagem natural de relatórios médicos implementada por computador

compreensão de linguagem natural de relatórios médicos implementada por computador. a presente invenção refere-se a um método de compreensão de linguagem natural que começa com um texto de relatório radiológico que contém descobertas clínicas. os erros no texto são corrigidos analisando custos de transformação ótica de nível de caractere ponderados por uma análise de frequência sobre um corpo que corresponde ao texto de relatório. para cada palavra dentro do texto de relatório, uma incorporação de palavra é obtida, incorporações de nível de caractere são determinadas, e a palavra e as incorporações de nível de caractere são concatenadas para uma rede neural a qual gera uma pluralidade de extensões marcadas de ner para o texto de relatório. um conjunto de relações conectadas é calculado para as extensões marcadas de ner gerando sequências de texto mascaradas com base no texto de relatório e pares determinados de extensões de ner potencialmente conectadas. uma matriz de adjacência densa é calculada com base em pesos de atenção obtidos de prover as uma ou mais sequências de texto mascaradas para uma rede de aprendizado profundo de transformador, e convoluções gráficas são então executadas sobre a matriz de adjacência densa calculada. In an embodiment, a computer-implemented process comprises accessing a plurality of digitally stored, unstructured medical diagnostic data; digitally displaying a first subset of the medical diagnostic data, the first subset of the medical diagnostic data including at least a first set of diagnostic reports, using a computer display device, concurrently with digitally displaying one or more quality control checklists that are specific to a medical discipline represented in the first set of diagnostic reports; receiving digital input specifying one or more errors in the first set of diagnostic reports and digitally storing the digital input in association with the first subset of medical diagnostic data; training a hierarchical Bayesian machine learning model using the digital input and the first subset of medical diagnostic data; evaluating the hierarchical Bayesian machine learning model, after training, for a second subset of the medical diagnostic data, the second subset being different from the first subset, to result in outputting one or more provider error rate data; applying a grading algorithm to the one or more provider error rate data to yield one or more output provider quality score values.