Corpus en español para Extracción de Relaciones (RE) sobre notas clínicas oncológicas, con foco en cáncer de mama (~50% de los documentos) y cobertura de otros tumores sólidos (pulmón, colon/recto, próstata, gástrico, ovario, esófago, piel, biomarcadores específicos…).

Cada ejemplo es un par candidato (entidad cabeza ↔ entidad cola) extraído de un documento clínico. La tarea es clasificar el par en una de 5 clases (4 relaciones clínicas + no_relacion).

Resumen


Idioma	Español (es)
Tarea	Extracción de relaciones (clasificación de pares)
Dominio	Oncología clínica
Documentos fuente	1.910 notas clínicas
Pares totales	5.155
Splits	train / validation / test (80/10/10 por documento)
Clases	5 (4 relaciones + `no_relacion`)

Esquema

Cada fila representa un par de entidades anotado con su relación.

Campos de identificación

doc_id — id único del documento fuente del par.
source_file — archivo JSON original que generó el documento.

Cabeza (head) — entidad origen

head_id — id local en el documento (T1, T2, …).
head_type — tipo de entidad: diagnosis, biomarker, treatment, habit, event.
head_text — subcadena exacta del texto clínico.
head_start, head_end — offsets de carácter en el documento original.
head_assertion — presente | negado | antecedente_familiar | hipotetico.

Cola (tail) — entidad destino

Mismos campos (tail_id, tail_type, tail_text, tail_start, tail_end, tail_assertion).

Anotación de la relación

candidate_relation — relación hipotética según los tipos de entidad (e.g., diagnosis → biomarker siempre es candidato a caracterizado_por). Es metadato, no la etiqueta final.
label — etiqueta de oro del par. Una de:
- caracterizado_por (diagnosis → biomarker)
- tratado_con (diagnosis → treatment)
- evoluciono_a (diagnosis → event)
- influye_en (habit → event, siempre inferida)
- no_relacion (el candidato no se cumple en el texto)
evidence_class — extraida (afirmado por el texto) | inferida (hipótesis clínica, solo para influye_en).

Features contextuales (precomputadas — útiles como features o filtros)

char_distance, word_distance — distancia entre head y tail.
same_sentence — true si ambos caen en la misma oración.
head_first — true si la cabeza aparece antes que la cola.
intermediate_text — texto entre las dos entidades.
intermediate_has_negation — true si hay una negación en el medio.
intermediate_words — número de palabras intermedias.

Distribución de etiquetas

Etiqueta	Conteo total	%
`caracterizado_por`	2.218	48.6%
`tratado_con`	1.583	34.7%
`evoluciono_a`	307	6.7%
`no_relacion`	260	5.7%
`influye_en`	193	4.2%

Splits

Splits hechos por doc_id (no por par) para evitar fuga: todos los pares de un documento caen en el mismo split.

Split	Pares	%
train	4.145	80.4%
validation	517	10.0%
test	493	9.6%

Cómo usar

from datasets import load_dataset

ds = load_dataset("anvorja/onco-clinical-re-sp")
print(ds)
# DatasetDict({
#     train: Dataset({...}),
#     validation: Dataset({...}),
#     test: Dataset({...})
# })

label_names = ds["train"].features["label"].names
# ['no_relacion', 'caracterizado_por', 'tratado_con', 'evoluciono_a', 'influye_en']

Construir el input para un modelo RE basado en transformers

Convención recomendada (entity markers, estilo R-BERT):

def build_re_input(example):
    h, t, mid = example["head_text"], example["tail_text"], example["intermediate_text"]
    if example["head_first"]:
        text = f"[E1] {h} [/E1]{mid}[E2] {t} [/E2]"
    else:
        text = f"[E2] {t} [/E2]{mid}[E1] {h} [/E1]"
    return {"text": text}

ds = ds.map(build_re_input)

Recuerda añadir [E1], [/E1], [E2], [/E2] como additional_special_tokens al tokenizer y llamar model.resize_token_embeddings(len(tokenizer)).

Tipos de relación (semántica)

Relación	De → a	Significado
`caracterizado_por`	diagnosis → biomarker	El diagnóstico se caracteriza por ese biomarcador
`tratado_con`	diagnosis → treatment	El diagnóstico fue/es tratado con ese tratamiento
`evoluciono_a`	diagnosis → event	El diagnóstico evolucionó a ese evento clínico
`influye_en`	habit → event	Hábito de riesgo activo influye en un evento adverso (hipótesis clínica, siempre `inferida`)

Reglas de anotación clave

Granularidad gruesa: cada entidad es una mención clínica completa ("tamoxifeno 20 mg al día", no "tamoxifeno" + "20 mg" por separado).
Cáncer de un familiar (assertion: antecedente_familiar) no ancla ninguna relación: es del familiar, no del paciente.
Comorbilidades (hipertensión, diabetes, obesidad…) no se anotan como entidades — pueden aparecer en el texto para realismo, pero no son ninguno de los 5 tipos.
influye_en solo la generan hábitos de riesgo activo (fumar, beber, sedentarismo, dieta poco saludable) sobre eventos adversos (progresión, recidiva). Hábitos negados o protectores no la generan.

Generación del corpus

Los documentos fueron generados por especialistas médicos siguiendo un esquema consistente y revisados manualmente. El pipeline de ingesta (ingested.jsonl → pairs.jsonl) valida:

Exactitud de subcadenas (entities[].text ∈ text).
Ids correlativos (T1, T2, … sin huecos).
Coherencia tipo-relación (e.g., tratado_con solo de diagnosis a treatment).
Generación automática de negativos (no_relacion) a partir de pares compatibles por tipo que el anotador no listó.

Limitaciones

Sesgo a cáncer de mama (~50% de los documentos).
Anotación a nivel de par, no a nivel de documento completo — la contextualización de cada par se limita a la información en la fila (head, tail, intermediate_text, distancia, etc.).
Sin offsets a nivel de oración ni segmentación discursiva.

Licencia

CC BY-NC-SA 4.0 — uso académico y de investigación. Atribución obligatoria, no comercial, comparte-igual.

Citación

@misc{onco_clinical_re_sp_2026,
  author       = {Borja, Andrés},
  title        = {Onco-Clinical RE (Spanish): A relation extraction corpus for Spanish oncology clinical notes},
  year         = {2026},
  publisher    = {Hugging Face},
  howpublished = {\url{https://huggingface.co/datasets/anvorja/onco-clinical-re-sp}}
}

Datasets relacionados

anvorja/onco-clinical-dataset-sp

Downloads last month: 37

Total file size:

319 kB