# 事件抽取（Event Extraction）

## 核心定义  
事件抽取是自然语言处理中的一项关键任务，旨在从非结构化文本中自动识别并表示特定事件的结构化信息。一个事件通常包含触发词（如“出血”“发作”）、事件类型（如“脑卒中”“癫痫”）、论元（角色如患者、时间、部位）以及论元间的关系。输出常表示为“事件-论元”三元组或图谱结构，为深层语义理解与知识计算提供基础。

## 关键技术点  
1. **触发词识别与事件类型分类**  
   采用序列标注或预训练语言模型（如BERT、BioBERT）定位触发词，并映射至预定义类型体系（如ICD-11或临床本体）。在生物医学文本中，触发词常包含领域特异性词汇（如“溶栓”“去骨瓣减压”）。  

2. **论元抽取与角色填充**  
   识别事件中各参与要素（如脑卒中的“梗死部位”“发病时间”“NIHSS评分”），并通过序列标注、机器阅读理解或基于图的推理完成角色赋值。  

3. **跨事件指代消解**  
   同一文本中多个事件可能共享论元（如“患者因左侧肢体无力入院，次日出现言语不清”），需判别指代关系，避免信息冗余或冲突。  

4. **时序关系识别**  
   临床叙事中事件具有严格的时间顺序（如“先缺血再出血转化”），利用时间表达式解析与因果推理确定事件先后及伴随关系。  

## 医学/神经科学应用场景（以首都医科大学神经病学研究为例）  
首都医科大学宣武医院、天坛医院作为国家神经疾病医学中心，积累了海量脑卒中急诊病历。事件抽取可自动化处理以下任务：  
- **从院前急救记录中抽取急性卒中事件**：识别触发词“肢体无力”“口角歪斜”“发病时间”，提取论元‘NIHSS基线评分’、‘ASPECTS评分’、‘溶栓时间窗是否在4.5小时内’；  
- **生成结构化事件图谱**：将多源文本（住院记录、影像报告、随访）融合为患者级卒中事件链，支持大规模人群队列的病因亚型分析（如TOAST分型）；  
- **预警并发症**：基于“出血转化”“癫痫发作”等事件模式，与生理监测数据交叉验证，辅助制定个体化抗凝策略。  

该技术显著降低人工数据标注成本，助力神经重症多中心研究的快速证据挖掘。  

（总字数：约580字）