Feb, 2024

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

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 分析癌症相关推文中错误信息的程度

    本文提出了一种基于深度学习模型的关于推特上有关癌症信息失实的自动检测方法，并通过语言学分析比较了信息失实和真实信息的差异，以期提供有关社交方面的相关见解。

    Mar, 2020

  • 通过社会工作笔记的自然语言处理揭示社会环境对癌症治疗选择的影响

    研究使用自然语言处理探究社会因素对癌症治疗选择的影响，发现社会工作者的记录在预测靶向治疗中起着重要作用，并发现许多与临床决策 - making 有关的健康社会决定因素可能会对治疗差异造成贡献。

    Jun, 2023

  • 社交媒体和自然语言处理在自然灾害研究中的应用

    使用 TensorFlow 对包含文本的文件进行自然语言处理和分类，以探测天然灾害的 Twitter 实时交互。

    Apr, 2023

  • 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

  • 调整基于短语的机器翻译以标准化社交媒体信息中的医学术语

    该研究通过使用机器翻译和词向量表示的技术，将社交媒体短语转化为医疗概念，从而监测社区中的健康情况，并在针对不良药物反应症状的推文集合上获得了高达 55％的性能提升。

    Aug, 2015

  • 利用 Twitter 和医疗记录进行在线诊断的现场验证

    使用社交媒体数据进行疾病监测，提出了一种基于个人水平而非人口统计学水平的新的疾病监测系统，通过组合文本分析、异常检测和社交网络分析等手段，可以在个人水平诊断感染流感的准确性超过 99%。

    Apr, 2014

  • 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

  • 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

    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

  • 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