Corpus para detección de brotes de enfermedades prevalentes en Latinoamérica

Abstract

Presentamos un corpus anotado que puede utilizarse para el entrenamiento y prueba de algoritmos destinados a la extracción automática de información sobre brotes de enfermedades a partir de artículos periodísticos. La fuente del corpus son artículos en español de ProMED-mail, un sistema de reportes de acceso público sobre enfermedades emergentes y brotes. El corpus ha sido construido con dos tareas principales en mente. La primera es la extracción de entidades relacionadas con brotes de enfermedades, como la enfermedad, la fecha, la ubicación geográfica, el número de casos, el hospedador, el origen —causa reportada de la enfermedad—, la forma de transmisión —por ejemplo, mordedura— y modificadores como términos de negación e incertidumbre. La segunda tarea es la recuperación de relaciones entre dos o tres entidades, por ejemplo, entre una enfermedad y la ubicación geográfica donde ocurre, el número de casos y una enfermedad o una ubicación geográfica, la fecha y la causa de una enfermedad, la enfermedad y el hospedador al que afecta, y los términos de especulación y negación asociados a algunos tipos de entidades.