SIFR Annotator Mgrep dictionnary enhancement

[jonquet]

Cette tache consiste a traiter le dictionnaire Mgrep pour ajouter des termes qui ont plus de chance de matcher dans l'Annotator.

Pour une ligne comme celle-la:
5083756382759859076 ÉVéNEMENTS EMBOLIQUES ET THROMBOTIQUES (SMQ)
L'idéal, pour vraiment augmenter le recall de l'Annotator serait d'avoir comme résultats:
5083756382759859076 ÉVÉNEMENT EMBOLIQUE ET THROMBOTIQUE SMQ
5083756382759859076 ÉVÉNEMENT EMBOLIQUE
5083756382759859076 ÉVÉNEMENT THROMBOTIQUE
5083756382759859076 SMQ
Qu'en pensez vous ?
(j'ai oublié si MGREP accepte plusieurs entrée avec le même termid d'ailleurs ?)

Autre example:
INCISION ET DRAINAGE D'HéMATOME DU BASSIN
=>
INCISION ET DRAINAGE D HÉMATOME DU BASSIN
INCISION D HÉMATOME DU BASSIN
DRAINAGE D HÉMATOME DU BASSIN

[amineabdaoui]

Oui mgrep accepte plusieurs entrées avec le même termid.

Je rajoute un autre exemple avec le OU:
-7613002381196257153 SYNDROME PARKINSONIEN OU MALADIE DE PARKINSON IDIOPATHIQUE
=>
-7613002381196257153 SYNDROME PARKINSONIEN
-7613002381196257153 MALADIE DE PARKINSON IDIOPATHIQUE

[amineabdaoui]

Sur le document suivant, je met des heuristiques pour rajouter des concepts qui ont plus de chance de matcher: https://docs.google.com/document/d/1g83p3M64rtDZfsJcuHoq--mO_1ZSPBPyAG7CZQfyVRA/edit
Je ne met que les règles qui ne génèrent pas de bruit. Je me base sur un dictionnaire contenant seulement la CIM-10.

[amineabdaoui]

J'ai créé un jar qui implémente les heuristiques décrites dans le doc partagé (sauf la règle 4).
J'ai mis le code dans un nouveau repository github sur sifrproject:
https://github.com/sifrproject/Heuristics

[jonquet]

UNe autre observée aujourd'hui sur l'AgroPortal Annotator:
passer de l'UK english a l'US english et vice versa.
E.g. annoter "pericarp color" avec CO_320 on manque car le terme est defini avec colour.