--- language: - es license: cc-by-4.0 pretty_name: CIMA Sección 4.8 NER (Reacciones adversas, principio activo, frecuencia, sistema) size_categories: - 1Klabel` BIO plano (formato CoNLL clásico, blank line entre sentencias y `# {codigo}` como cabecera de documento). Todo el código del builder está en [`src/conll_ner_builder.py`](https://github.com/guerrerotook/uned_pfg/blob/main/src/conll_ner_builder.py) del repositorio original. El export se reproduce con `python tools/export_hf_dataset.py`. ## Formatos disponibles El mismo dataset se distribuye dos veces para máxima compatibilidad: ``` data//train.parquet ← canónico, recomendado para HF Datasets data//test.parquet conll//train.conll ← BIO plano, recomendado para seqeval/flair/spaCy conll//test.conll stats/.json ← estadísticas por split (label counts, etc.) ``` Los `.conll` siguen exactamente el contrato `tokenlabel` con líneas en blanco entre sentencias y `# {codigo}` como cabecera de documento. Son compatibles directamente con el `parse_conll` de la mayoría de baselines NER en español. ## Uso ### Opción 1 — Fine-tuning con `transformers` (recomendado) ```python import numpy as np from datasets import load_dataset from transformers import ( AutoTokenizer, AutoModelForTokenClassification, DataCollatorForTokenClassification, Trainer, TrainingArguments, ) from seqeval.metrics import classification_report, f1_score ds = load_dataset("guerrerotook/cima-section48-ner", "react-active-freq-sys") label_names = ds["train"].features["ner_tags"].feature.names num_labels = len(label_names) model_name = "PlanTL-GOB-ES/roberta-base-biomedical-es" tokenizer = AutoTokenizer.from_pretrained(model_name, add_prefix_space=True) def tokenize_and_align(batch): enc = tokenizer( batch["tokens"], is_split_into_words=True, truncation=True, max_length=256, ) labels = [] for i, tag_seq in enumerate(batch["ner_tags"]): word_ids = enc.word_ids(batch_index=i) prev = None seq = [] for w in word_ids: if w is None: seq.append(-100) elif w != prev: seq.append(tag_seq[w]) else: seq.append(-100) prev = w labels.append(seq) enc["labels"] = labels return enc tok_ds = ds.map(tokenize_and_align, batched=True, remove_columns=ds["train"].column_names) model = AutoModelForTokenClassification.from_pretrained( model_name, num_labels=num_labels, id2label={i: n for i, n in enumerate(label_names)}, label2id={n: i for i, n in enumerate(label_names)}, ) def compute_metrics(p): preds = np.argmax(p.predictions, axis=2) true_labels = [ [label_names[l] for l in lab if l != -100] for lab in p.label_ids ] pred_labels = [ [label_names[pr] for pr, l in zip(pre, lab) if l != -100] for pre, lab in zip(preds, p.label_ids) ] return {"f1": f1_score(true_labels, pred_labels)} args = TrainingArguments( output_dir="./cima-ner-ft", eval_strategy="epoch", per_device_train_batch_size=16, num_train_epochs=10, learning_rate=2e-5, ) trainer = Trainer( model=model, args=args, train_dataset=tok_ds["train"], eval_dataset=tok_ds["test"], tokenizer=tokenizer, data_collator=DataCollatorForTokenClassification(tokenizer), compute_metrics=compute_metrics, ) trainer.train() ``` ### Opción 2 — Descarga directa del CoNLL plano Útil si trabajas con seqeval, flair, spaCy o un pipeline propio que ya sabe parsear el formato `tokenlabel`: ```python from huggingface_hub import hf_hub_download path = hf_hub_download( repo_id="guerrerotook/cima-section48-ner", filename="conll/react-active-freq-sys/train.conll", repo_type="dataset", ) def parse_conll(path): sentences, current_tokens, current_tags = [], [], [] with open(path, encoding="utf-8") as f: for line in f: line = line.rstrip("\n") if line.startswith("#") or not line: if current_tokens: sentences.append((current_tokens, current_tags)) current_tokens, current_tags = [], [] continue tok, tag = line.split("\t") current_tokens.append(tok) current_tags.append(tag) if current_tokens: sentences.append((current_tokens, current_tags)) return sentences sentences = parse_conll(path) print(f"{len(sentences):,} sentencias") ``` ### Opción 3 — Inferencia con un modelo ya entrenado Si publicas tu modelo NER en HF (por ejemplo `guerrerotook/cima-roberta-ner-react-active-freq-sys`): ```python from transformers import pipeline ner = pipeline( "token-classification", model="guerrerotook/cima-roberta-ner-react-active-freq-sys", aggregation_strategy="simple", ) text = ( "El medicamento puede producir cefalea, mareo y, con menos frecuencia, " "trombocitopenia. La hipertensión es POCO FRECUENTE." ) for ent in ner(text): print(f"{ent['entity_group']:<8s} {ent['score']:.3f} {ent['word']}") ``` ### Filtrar a una entidad concreta sobre la config multi-tag ```python from datasets import load_dataset, ClassLabel, Sequence ds = load_dataset("guerrerotook/cima-section48-ner", "react-active-freq-sys") src = ds["train"].features["ner_tags"].feature.names # ['O', 'B-REACT', ...] KEEP = {"O", "B-REACT", "I-REACT"} remap = {i: (src.index(t) if t in KEEP else 0) for i, t in enumerate(src)} def to_react_only(example): example["ner_tags"] = [remap[t] if src[t] in KEEP else 0 for t in example["ner_tags"]] return example ds_react = ds.map(to_react_only) ``` ## Limitaciones y sesgos - **Tamaño reducido**: 50 fármacos en total (35 train / 15 test). Apto para fine-tuning de modelos pre-entrenados, no para entrenar desde cero. - **Anotación silver-standard**: las menciones provienen de las tablas estructuradas de la sección 4.8 (no de una anotación span-level manual); el etiquetado BIO se obtiene por matching exacto insensible a acentos/case con word boundaries. - **Dominio cerrado**: vocabulario biomédico español, registro de ficha técnica. El rendimiento fuera de dominio (literatura clínica, foros de pacientes, etc.) no está caracterizado. - **Multi-tag desbalanceado**: REACT representa >80 % de las menciones positivas. Las clases ACTIVE/FREQ/SYS son minoritarias y conviene evaluarlas con métricas por entidad (no sólo micro-F1). ## Citación ```bibtex @thesis{guerreroros2026cima, author = {Guerrero Guirado, Luis Miguel y Ros Munoz, Salvador}, title = {Detección de reacciones adversas de medicamentos en textos clínicos: Un estudio comparativo de los modelos basados en BERT y modelos LLMs}, school = {Universidad Nacional de Educación a Distancia (UNED)}, year = {2026}, type = {Trabajo Fin de Grado}, } ``` ## Licencia y atribución Dataset publicado bajo **[CC BY 4.0](https://creativecommons.org/licenses/by/4.0/deed.es)**. El texto bruto de la sección 4.8 procede de las fichas técnicas oficiales publicadas por la [Agencia Española de Medicamentos y Productos Sanitarios (AEMPS)](https://www.aemps.gob.es/) en su Centro de Información Online de Medicamentos (CIMA). Al reutilizar este dataset cita tanto el dataset original como la fuente AEMPS-CIMA.