El reconocimiento de entidades con nombre (NER) es una tarea crucial en el procesamiento del lenguaje natural, especialmente para extraer información significativa de datos de texto no estructurados. En el dominio de la salud, un NER preciso puede mejorar significativamente la atención al paciente al permitir la extracción y análisis eficientes de la información clínica. Este documento presenta MedNER, un marco orientado a servicios diseñado específicamente para el NER médico en textos médicos en chino. MedNER aprovecha técnicas avanzadas de aprendizaje profundo y recursos lingüísticos específicos del dominio para lograr un buen rendimiento en la identificación de entidades relacionadas con la diabetes, como síntomas, pruebas y medicamentos. El marco se integra perfectamente con sistemas de atención médica del mundo real, ofreciendo soluciones escalables y eficientes para procesar grandes volúmenes de datos clínicos. Este documento proporciona una discusión detallada sobre la arquitectura e implementación de MedNER, presentando el concepto de Aprendizaje Profundo como Servicio (DLaaS). Un prototipo ha encapsulado modelos BiLSTM-CRF y BERT-BiLSTM-CRF en el servicio central, demostrando su flexibilidad, usabilidad y efectividad para abordar los desafíos únicos del procesamiento de textos médicos en chino.