Extrai informações de notas clínicas em francês usando componentes baseados em regras e aprendizado profundo.
Framework de PLN modular e rápido, compatível com PyTorch e spaCy, desenvolvido para textos clínicos em francês.
O EDS-NLP é um framework open source projetado para extrair informações estruturadas de textos clínicos em francês. Ele combina pipelines baseados em regras compatíveis com o spaCy e módulos de aprendizado profundo em PyTorch para tarefas como detecção de negação e reconhecimento de entidades nomeadas. Ele é ideal para pesquisadores clínicos e desenvolvedores que trabalham com prontuários médicos em francês.
A biblioteca organiza funções baseadas em regras e módulos de aprendizado profundo em um sistema de pipeline eficiente. Ela suporta modelos de aprendizado profundo multitarefa com compartilhamento de pesos, componentes baseados em LLM e inferência rápida em múltiplas GPUs. Ela também lida com vários formatos de dados, incluindo BRAT, JSON, Parquet, Pandas e Spark.
É adequado para desenvolvedores e pesquisadores que criam pipelines de data warehouse clínico para documentos médicos em língua francesa. Não foi projetado para processamento clínico geral em inglês ou para usuários sem experiência em programação Python.
Componentes baseados em regras adaptados especificamente para notas clínicas em francês.
Compatível com PyTorch para componentes treináveis como NER e classificação de span.
Suporta modelos de aprendizado profundo multitarefa com compartilhamento de peso de subcomponentes.
Suporta carregamento e salvamento de dados para BRAT, JSON, Parquet, Pandas e Spark.
Gratuito sob sua licença BSD-3-Clause. O único custo é executá-lo por conta própria em sua própria infraestrutura de hardware.
877 vagas remotas abertas de treinamento de IA, atualizadas em 16 de novembro de 2026; a maioria paga $20–$175 por hora. 8 delas pedem falantes de português. O Zekai lista de graça; a candidatura vai para a plataforma do empregador.
Ele usa o spaCy para representação de documentos e anotações, e o PyTorch como backend de aprendizado profundo para componentes treináveis.
O framework é versátil e pode ser usado em qualquer documento textual, mas seus componentes de regras pré-construídos são voltados para notas clínicas em francês.
Veja o Zekai primeiro no Google