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

本文提出了应用 SpanBERT 架构通过 NLP 监控社交媒体、博客和健康论坛上的不良药物事件反应（Adverse Drug Events），并在两个数据集上验证了它在多词汇语境中的优越性。

May, 2021

提出了一种多任务神经网络框架，通过在社交媒体帖子中学习与 ADR 监测相关的多个任务和不同级别的监督来有效监测 ADR 的各个方面。该框架能正确分类 ADR 帖子并从中准确提取 ADR 提及，并能进一步从给定的社交媒体帖子中理解药物使用的原因。在 Twitter 真实数据集上的评估结果表明，该框架在各个任务上均优于现有的最先进的备选方案。

Jan, 2018

通过在转换器模型中采用领域关键词的浅层融合和同义词集合的深层融合，并使用聚焦损失函数来训练模型，我们提出了知识增强的浅层和深层转换器 (KESDT) 模型用于不良药物反应 (ADR) 的检测，并在 TwiMed、Twitter 和 CADEC 三个公共数据集上进行广泛实验。我们的 KESDT 模型在 F1 值上优于现有技术水平，相对改进幅度分别为 4.87%、47.83% 和 5.73%，证明了我们提出的 KESDT 的有效性。

Aug, 2023

通过 BERT 精调实体识别和句子转换器以及互惠排序融合，本研究提出的系统在社交媒体文本挖掘领域中，对不良药物事件标准化取得了高效性能表现，实现了 44.9% 的准确率、40.5% 的召回率和 42.6% 的 F1 分数，在共享任务 5 中表现优于中位数 10% 且超过了其他参与者的性能。

Aug, 2023

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

本文首次提出了一个针对德国患者提供的 Adverse Drug Reaction 侦测语料库，包含了德语患者论坛中 4169 个二进制标注文件，并呈现了这个社交媒体数据的课程和主题的不平衡性，通过使用 XLM-RoBERTa 在英语和德语患者论坛数据之前进行优化，最终实现了一个 37.52 的二元分类 F1 - 得分。

Aug, 2022

通过 BioLORD 的通用模型初始化和名为 STS 的语义文本相似度微调，在社交媒体上提出了一种新的逆药物事件归一化方法，通过实验结果展示了其在多个社交媒体数据集上的有效性，并成为逆药物事件归一化任务的一个转折点，具有成为未来研究领域的基准的潜力。

Jul, 2023

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