Актуальность. Ранняя диагностика аксиального спондилоартрита (аксСпА) является актуальной задачей, требующей поддержки принятия клинических решений (ППКР). В настоящее время значительная часть данных, применимых для разработки систем ППКР, представлена в неструктурированном виде. Семантический анализ медицинских текстов – сложная задача, требующая создания универсальных инструментов для извлечения именованных сущностей. Крупнейшим источником данных для аннотирования биомедицинских текстов является Unified Medical Language System (UMLS) – международный метатезаурус, включающий свыше 11 млн вариантов написания 4,6 млн терминов (концептов). Ключевой проблемой при использовании UMLS для анализа медицинских текстов является наличие большого количества неспецифичных (общих) терминов, не имеющих явного клинического смысла. Применение таких концептов приводит к значительному ухудшению результатов поиска, что указывает на необходимость создания инструментов автоматической оценки степени специфичности терминов UMLS.Цель исследования. Разработка алгоритма для оценки степени специфичности терминов метатезауруса UMLS (на примере аксиального спондилоартрита).Методы и материалы. В качестве источника информации для автоматического поиска клинических терминов использовались аннотации к англоязычным научным статьям. Тексты аннотаций извлекались с применением средств поисковой системы PubMed и помещались в единый электронный корпус, использованный для последующего извлечения концептов метатезауруса UMLS. Каждый из 24276 текстов корпуса имел однозначную метку принадлежности к одному из заболеваний дифференциального ряда для аксСпА. В общий свод включено 8260 концептов, каждый из которых получил экспертную бинарную метку относительной специфичности.Результаты. Сформирован набор правил, основанных на сравнении средних длин иерархических цепей атомарных формулировок терминов, общего числа прямых связей, TF-IDF меры и числа связей «родитель-потомок» концептов UMLS. Данные правила включены в итоговый алгоритм оценки специфичности концептов, точность которого при попарном сравнении составила 99,1% для тестовой выборки. Однако точность модели при бинарной классификации всех концептов из выделенного свода терминов составила 74,2%, что является недостаточным для обоснования его применения при автоматическом сокращении терминологических сводов большого объема. Сформированы критерии и ограничения для использования разработанного алгоритма в процессе аннотации клинических документов.