---
dataset_info:
  features:
  - name: doc_id
    dtype: string
  - name: source_file
    dtype: string
  - name: head_id
    dtype: string
  - name: head_type
    dtype:
      class_label:
        names:
          '0': diagnosis
          '1': biomarker
          '2': treatment
          '3': habit
          '4': event
  - name: head_text
    dtype: string
  - name: head_start
    dtype: int32
  - name: head_end
    dtype: int32
  - name: head_assertion
    dtype:
      class_label:
        names:
          '0': presente
          '1': negado
          '2': antecedente_familiar
          '3': hipotetico
  - name: tail_id
    dtype: string
  - name: tail_type
    dtype:
      class_label:
        names:
          '0': diagnosis
          '1': biomarker
          '2': treatment
          '3': habit
          '4': event
  - name: tail_text
    dtype: string
  - name: tail_start
    dtype: int32
  - name: tail_end
    dtype: int32
  - name: tail_assertion
    dtype:
      class_label:
        names:
          '0': presente
          '1': negado
          '2': antecedente_familiar
          '3': hipotetico
  - name: candidate_relation
    dtype:
      class_label:
        names:
          '0': caracterizado_por
          '1': tratado_con
          '2': evoluciono_a
          '3': influye_en
  - name: label
    dtype:
      class_label:
        names:
          '0': no_relacion
          '1': caracterizado_por
          '2': tratado_con
          '3': evoluciono_a
          '4': influye_en
  - name: evidence_class
    dtype:
      class_label:
        names:
          '0': extraida
          '1': inferida
  - name: char_distance
    dtype: int32
  - name: word_distance
    dtype: int32
  - name: same_sentence
    dtype: bool
  - name: head_first
    dtype: bool
  - name: intermediate_text
    dtype: string
  - name: intermediate_has_negation
    dtype: bool
  - name: intermediate_words
    dtype: int32
  splits:
  - name: train
    num_bytes: 1240382
    num_examples: 4145
  - name: validation
    num_bytes: 159414
    num_examples: 517
  - name: test
    num_bytes: 148362
    num_examples: 493
  download_size: 306159
  dataset_size: 1548158
configs:
- config_name: default
  data_files:
  - split: train
    path: data/train-*
  - split: validation
    path: data/validation-*
  - split: test
    path: data/test-*
language:
- es
license: cc-by-nc-sa-4.0
task_categories:
- text-classification
tags:
- clinical
- oncology
- relation-extraction
- spanish
- medical-nlp
- breast-cancer
pretty_name: Onco-Clinical RE (Spanish)
size_categories:
- 1K<n<10K    
---
# Onco-Clinical RE (Spanish)

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

```python
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):

```python
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:

1. Exactitud de subcadenas (`entities[].text` ∈ `text`).
2. Ids correlativos (`T1, T2, …` sin huecos).
3. Coherencia tipo-relación (e.g., `tratado_con` solo de `diagnosis` a `treatment`).
4. 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

```bibtex
@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`](https://huggingface.co/datasets/anvorja/onco-clinical-dataset-sp)