200 000 resúmenes médicos para la clasificación de sentencias

Este conjunto de datos contiene 200 000 artículos médicos, segmentados por referencia con anotaciones estructurales (objetivo, método, resultado, etc.). Permite entrenar modelos de clasificación secuencial para comprender mejor la estructura lógica de los textos científicos.

Obtén el dataset

Tamaño

200 000 informes médicos, archivos TXT/CSV divididos en 12 archivos

Licencia

CC0: Public Domain

Description

‍

El conjunto de datos 200 000 resúmenes médicos para la clasificación de sentencias incluye 200 000 resúmenes de artículos científicos médicos, anotados a nivel oral según su función en la estructura del texto (objetivo, método, resultado, conclusión...). Este formato es particularmente útil para tareas de PNL, como secuenciar, estructurar textos o comprender contextualmente resúmenes complejos.

‍

¿Para qué sirve este conjunto de datos?

‍

Entre los modelos de PNL para identificar los segmentos estructurantes de las cumbres científicas
Automatiza la clasificación de las frases en los artículos de investigación
Facilitar la lectura y el análisis de publicaciones médicas por parte de la IA

‍

¿Puedes enriquecer o mejorar?

‍

Sí, este conjunto de datos se puede enriquecer añadiendo categorías adicionales, traduciéndolo a otros idiomas o fusionándolo con otros organismos científicos. Los métodos para aumentar los datos también pueden mejorar la solidez de los modelos introducidos con ellos.

‍

🔎 En resumen

Criterio	Evaluación
🧩 Facilidad de uso	⭐⭐⭐⭐⭐ (Fácil de manipular vía pandas o pipelines NLP)
🧼 Necesidad de limpieza	⭐⭐⭐⭐⭐ (Bajo: ya bien estructurado)
🏷️ Riqueza de anotaciones	⭐⭐⭐⭐⭐ (Alto – estructura lógica clara de los textos)
📜 Licencia comercial	✅ Sí (CC0)
👨‍💻 Ideal para principiantes	✅ Sí, especialmente para NLP supervisado
🔁 Reutilizable para fine-tuning	✅ Excelente base para fine-tuning BERT o BioBERT
🌍 Diversidad cultural	🇬🇧 Corpus científico médico (solo en inglés)