Feb, 2022

基于人工智能的社交网络安全信号检测方法：以 2017 年度多西蒙多论坛甲状腺素丑闻为例

PDF
TL;DR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%。
发现论文，激发创造
  • 社交媒体帖子中的多任务药品监测挖掘

    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

  • 处方药物毒性监测的社交媒体挖掘：端到端流程、挑战和未来工作

    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

  • 使用深度注意力神经网络进行患者风险评估和警告症状检测

    本文介绍了一种实际上应用的病人分流系统的操作组件。通过对德文医生笔记的学习，使用了一种基于注意力机制的卷积神经网络模型，实现了对病人紧急性的评估和提供了最恰当的医疗建议以及时间。此外，一种检测警告症状的方法也被介绍。

    Sep, 2018

  • 探索一种用于社交媒体中医疗产品安全监测的统一序列转换器

    本文使用 T5 模型架构，将不良事件检测和抽取问题视为序列到序列问题，并在多项英语基准测试中取得了较强的性能表现，进一步提出了多任务训练的新策略以提高模型的稳健性和语言转换能力。

    Sep, 2021

  • 社交媒体作为传感器：利用自然语言处理分析 Twitter 数据对乳腺癌药物效果的研究

    通过自然语言处理技术，本论文以社交媒体数据为资源，研究了乳腺癌患者 / 幸存者的自述信息以及相关药物治疗的副作用和使用模式，揭示了社交媒体数据在乳腺癌研究中的巨大潜力。

    Feb, 2024

  • 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

  • 评估人工智能在预测肿瘤患者不良药物反应中的有效性：一项系统性综述和荟萃分析

    利用人工智能模型预测癌症患者中的不良药物反应，显示高特异性和敏感性，但需要标准化和多中心研究来提高证据质量。

    Apr, 2024

  • 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

  • 利用神经网络对社交媒体数据中的患者声音进行分类：不同数据源和治疗领域上 AI 模型的比较

    通过语言分析，本研究测试了在线患者经验信息的多样性，并结合相似性训练了分类器，以准确识别社交媒体上的患者经验帖子，称之为患者声音分类。经过实验，心血管和神经类别的分类器在 Reddit 数据源上表现最佳，F1 分数分别达到 0.865 和 1.0，而对于全部数据进行训练的 Transformer 分类器在不同治疗领域和数据源的测试数据集上，F1 分数在 0.863 到 0.995 之间。

    Nov, 2023

  • 用户生成的药物评论的情感分析使用机器学习技术

    通过使用 BERT、SciBERT 和 BioBERT 等预训练语言模型，本研究提出了一种药物评论分类系统，该系统可以将用户对特定药物的评论分为积极、消极和中性等不同类别，以分析人们对不同药物的情绪反馈。

    Apr, 2024