Architecture basée sur des modèles d'intelligence artificielle pour la numérisation de déclarations manuscrites des erreurs médicamenteuses
Résumé
La reconnaissance optique de caractères (OCR) s'avère extrêmement utile dans plusieurs secteurs pour l'exploration des données massives archivées. Cette technologie permet la numérisation des textes imprimés ainsi que des textes manuscrits, qui sont fréquemment présents dans le domaine médical. Comme beaucoup de documents médicaux étaient jusqu'à présent rédigés manuellement, cela a entraîné l'accumulation de nombreuses données manuscrites, mais malheureusement impossible à exploiter. Leur numérisation par OCR est l'étape initiale à réaliser avant d'extraire automatiquement les données importantes de ces documents. Par exemple, dans les hôpitaux, la numérisation des déclarations manuscrites des erreurs médicamenteuses passées permet de peupler la base de données utile à l'implémentation de techniques d'analyse approfondie. Une telle base contribue à l'optimisation du processus de gestion des erreurs médicamenteuses. Pour accomplir cette numérisation de documents manuscrits, les algorithmes de Deep Learning (DL) ont démontré d'excellents résultats dans plusieurs études, bien que leur entraînement soit très coûteux en termes de temps et de ressources. Cependant, cet article détaille l'utilisation de modèles "Transformers" pré-entraînés, comme alternative moins coûteuse et qui donne des résultats plus conformes au texte manuscrit.
Origine | Fichiers produits par l'(les) auteur(s) |
---|
Hanae TOUATI : Connectez-vous pour contacter le contributeur
https://imt-mines-albi.hal.science/hal-04684089
Soumis le : lundi 2 septembre 2024-15:21:12
Dernière modification le : mardi 17 septembre 2024-15:53:27
Dates et versions
Identifiants
- HAL Id : hal-04684089 , version 1