Adnotacja tekstów klinicznych dla firmy AI z branży HealthTech
Firma HealthTech budująca asystenta dokumentacji klinicznej potrzebowała ustrukturyzowanej adnotacji tekstów medycznych, aby wytrenować swój model do prawidłowego rozpoznawania podmiotów klinicznych, przy ścisłych protokołach obchodzenia się z danymi i usuwania danych identyfikujących.
Client snapshot
| Industry | Technologie opieki zdrowotnej i AI kliniczna |
|---|---|
| Region | Ameryka Północna |
| Engagement type | Ustrukturyzowana adnotacja tekstów klinicznych w ramach protokołów danych pozbawionych danych identyfikujących |
The challenge
Klient potrzebował adnotatorów zdolnych do prawidłowego rozpoznawania podmiotów klinicznych, takich jak leki, schorzenia i procedury, w próbkach tekstu już pozbawionych danych identyfikujących, przy poziomie jakości na tyle wysokim, by wspierać produkt używany w rzeczywistych procesach dokumentacji klinicznej.
The approach
Jwuma przydzieliła adnotatorów przeszkolonych specjalnie w taksonomii podmiotów klinicznych klienta, pracujących wyłącznie na tekście dostarczonym przez klienta i wcześniej pozbawionym danych identyfikujących, z zastosowaniem wielopoziomowej drabiny weryfikacji ze względu na wymogi dokładności tego zastosowania oraz kalibracji zadaniami wzorcowymi, aby wcześnie wychwycić dryf adnotatorów.
Results
Klient otrzymał spójnie opisane teksty kliniczne spełniające jego próg dokładności dla użycia produkcyjnego, wraz z udokumentowanym śladem weryfikacji wspierającym jego własny wewnętrzny proces zapewnienia jakości.
Frequently asked questions
Czy Jwuma obsługuje dane pacjentów umożliwiające identyfikację w programach adnotacji klinicznej?
Nie. Programy adnotacji klinicznej pracują na danych, które klient pozbawił danych identyfikujących, zanim trafią do procesu pracy współpracowników.
Dlaczego adnotacja tekstów klinicznych wiąże się z wyższą stawką niż ogólne etykietowanie tekstu?
Dokładność adnotacji bezpośrednio wpływa na produkt używany w procesach dokumentacji klinicznej, co wymaga wyższej poprzeczki jakości i bardziej rygorystycznej weryfikacji niż ogólne etykietowanie.
Jak weryfikuje się dokładność adnotatorów w programie adnotacji klinicznej?
Poprzez kalibrację z użyciem zadań wzorcowych o znanej odpowiedzi oraz wielopoziomową eskalację weryfikacji w przypadku spornych lub niejednoznacznych etykiet podmiotów klinicznych.
Related case studies
Dane do weryfikacji twarzy i tożsamości dla globalnej platformy mobilności
Globalna platforma mobilności i przewozu osób potrzebowała zweryfikowanych danych twarzy i tożsamości z wielu regionów, aby wzmocnić system weryfikacji bezpieczeństwa kierowców i pasażerów, przy ścisłych wymogach dotyczących zgody i postępowania z danymi biometrycznymi.
Zbieranie egocentrycznych danych wideo dla programu AI w robotyce
Firma zajmująca się AI w robotyce potrzebowała wideo z perspektywy pierwszej osoby przedstawiającego ludzi wykonujących codzienne zadania fizyczne, rejestrowanego spójnie w zróżnicowanych środowiskach i dla różnych typów sylwetki, aby wytrenować model ucieleśnionej AI tak, by uogólniał się poza jedno środowisko laboratoryjne.
Ocena RLHF dla modelu konwersacyjnej AI
Firma zajmująca się konwersacyjną AI potrzebowała ustrukturyzowanego, skalowalnego procesu oceny przez ludzi, aby oceniać jakość odpowiedzi chatbota w procesie dostrajania RLHF, po tym jak jej dotychczasowa doraźna pula oceniających dawała niespójne wyniki.
Published 2026-10-02 by Jwuma, operated by Corpshore AI. This case study is an anonymized composite representative of the kind of work Jwuma performs in this industry, described by industry, region and engagement type rather than by company name, since this engagement is not yet cleared for public naming. Discuss a similar program at client.corpshore.ai.