该论文旨在开发一个基于深度学习模型的方法，对包含药物提及的 Twitter 帖子中的 ADR 进行分类，以实现药品监管自动化，支持药品监管机构，制药业和普通公众确保每日处方药的安全，最终我们的模型在 F1 值（0.6681）和召回率（0.7700）方面实现了最优表现。

May, 2020

本文介绍了一种基于多模态模型和 BERT 的方法，用于对推文进行分类以检测潜在的药物效应和反应。实验证明，神经网络得到的分子信息对 ADE 分类比传统分子描述符更有益。

Oct, 2022

本文介绍一种基于自然语言处理技术的解决方案，能够在社交媒体帖子、顾客支持电话记录或医疗保健提供商与制药销售代表会议的多种非结构化对话中检测药品不良反应，并提供了三种方法来对其进行提取，分别是新的命名实体识别模型、两个新的关系抽取模型和新的文本分类模型。该解决方案已实现为一个统一的 NLP 管道，并在 Apache Spark 顶部构建了一个生产级库，使其能够在通用集群上处理数百万批处理或流记录。

Jan, 2022

本文介绍了一种基于自然语言处理和机器学习技术的高级端到端管道，用于从社交媒体平台 Twitter 和 Reddit 中收集关于非医疗处方药物使用的信息，以提高社交媒体研究毒剂监测的效率。

Nov, 2022

本研究提出了使用基于图的框架，结合医疗保险索赔数据和副作用数据库，使用图神经网络预测并发现潜在的不良药物反应对。与其他算法相比，该模型在 AUROC 和 AUPRC 性能方面表现出更好的表现。

Apr, 2020

本文提出了一种基于人们评论的文本生成词云的深度学习模型，以探测潜在药物安全信号，并在法国的 Levothyrox 案例上进行了评估。结果表明，提出的指标可以用于有效检测新的安全信号，同时，每月生成的文本的词云训练的 WC-CNN 模型的准确率为 75%。

Feb, 2022

本文研究药品不良反应的自动检测，在考虑否定和推测现象的情况下，探讨了四种自然语言处理模型的鲁棒性，并提出了两种策略来提高模型的性能。实验证明，这两种策略可以显著提高模型的性能，降低误报率 60％（针对否定）和 80％（针对推测）

Sep, 2022

使用异质文本图形，借助统一医学语言系统中的医学知识，提出了一种基于概念感知注意机制的自然语言处理方法，结合预训练语言模型的上下文化嵌入和卷积图神经网络进行特征表示和关系学习，能有效地自动从文本中检测不良药物事件，表现和最近进展竞争性相当。

Jan, 2023

本研究旨在发展一种深度学习网络，利用视觉和文本信息以检测社交媒体中具有反疫苗信息的帖子，通过新的语义和任务层注意机制和三个分支的模型，本研究在 Instagram 实时社交媒体数据集上的实验表明，模型可以实现 97% 以上的测试准确性。

Dec, 2020

本研究开发了一种基于多层 transformers 的算法，用于在社交媒体数据中识别 Adverse Drug Reactions（ADR）。实验结果表明，本算法显著优于采用预训练领域特定数据的基于 transformers 的模型。

May, 2021