Aug, 2022

从患者角度探讨检测德语不良药物反应的跨语言方法

PDF
TL;DR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。
german adverse drug reactionpatient-generated contentimbalanced datasetmulti-lingual modelzero- and few-shot learning
发现论文，激发创造
  • 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

  • 规模化从非结构化媒介中挖掘药物不良反应

    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

  • 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

  • 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

  • 使用未标记的数据进行视图蒸馏以从用户生成的数据中提取药物不良反应

    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

  • 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

  • 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

  • DAEDRA: 面向被动药物监测报告的预测结果的语言模型

    这篇论文详细介绍了 DAEDRA 的构思、设计、训练和评估，DAEDRA 是一个用于通过被动报告从广泛和多样的受众中检测监管相关结果（死亡率、急诊就医和住院率）的大语言模型 (LLM)。在分析高度专业化的语料库时，子领域特定 LLM 仍然是获得更好结果的可行选项。

    Feb, 2024

  • KESDT：知识增强的浅层和深度 Transformer 用于检测药物不良反应

    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

  • 跨语言德语生物医学信息提取：从零样本到人机协作

    本文介绍了一项项目，旨在从德语临床叙述中提取生物医学信息，使用少量注释的策略，包括迁移学习和主动学习。接下来，我们探讨了用户界面的设计，旨在提供模型检查和在交互环境中获得用户注释。

    Jan, 2023