AAAIJan, 2022

规模化从非结构化媒介中挖掘药物不良反应

PDF
TL;DR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。
adverse drug reactionsnatural language processingnamed entity recognitionrelation extractiontext classification
发现论文，激发创造
  • 通过领域特定预处理和 BERT 组合检测 Twitter 上的不良药物反应

    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

  • 基于文本和药物嵌入的多模态模型用于不良药物反应分类

    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

  • 提高社交媒体上不良药物事件提取的鲁棒性：否定和推测案例研究

    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

  • 通过 SpanBERT 在不同文本类型上改进不良药物事件提取

    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

  • 从患者角度探讨检测德语不良药物反应的跨语言方法

    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

  • 一种针对生物医学文本的关注序列模型用于不良药物反应提取

    本文在生物医学研究中探讨针对药物引起的不良反应提出了一种通过使用自我关注机制以及机器阅读文献的灵感创作的基于问题回答 (Question-Answering) 的模型，能够将这些情况分类提供给医护人员减少药物致死和患病率，并可视化和理解网络如何利用局部和更广泛的上下文进行分类。

    Jan, 2018

  • 基于知识增强的概念感知注意力图神经网络用于不良药物反应检测

    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

  • 药物 - 疾病图谱：基于临床数据的图神经网络预测药物不良反应信号

    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

  • 基于 Transformer 的构架在不良药物事件提取中的广泛评价

    本研究对 19 种基于 Transformer 的模型在非正式文本中进行 ADE 抽取进行了评估和分析，并使用 SHAP 等技术探究了模型分类、预训练领域和大小、以及训练方式等因素对模型性能的影响，为进一步提高数字药物监管工作提供了实证分析。

    Jun, 2023

  • 一个药物监测的数据集：跨语言标注德语、法语和日语中的不良药物反应

    通过从患者论坛、社交媒体和临床报告中收集多种语言（德语、法语和日语）关于不良药物反应（ADRs）的文本，本研究提供一个多语言语料库，并提供了涵盖 12 种实体类型、4 种属性类型和 13 种关系类型的注释。该语料库对于发展面向医疗保健的真实世界多语言语言模型具有重要意义。我们提供了统计数据来强调与该语料库相关的某些挑战，并进行了初步实验，实现了在语言内部和跨语言之间提取实体和实体之间的关系的强基线。

    Mar, 2024