May, 2024

鉴别和协调社交媒体上的医疗声明与医疗论据

PDF
TL;DR通过将社交媒体平台上的医疗主张与最新的、最佳的证据相结合，本研究旨在帮助非医学专业人士更有效地评估这些医疗主张的真实性。我们研究了三个核心任务：识别医疗主张、提取医学词汇以及检索与这些医疗主张相关的证据，并提出了一个能够为每个核心任务生成合成医疗主张的新型系统。此外，我们引入了一个由合成生成器产生的新型数据集，应用于这些任务时，不仅展示了更灵活、更全面的方法，而且在所有可比指标上都有改进。我们将我们的数据集 ——Expansive Medical Claim Corpus (EMCC)—— 提供给大家，网址为此 https URL。
evidence-based medicinemedical claimssocial mediamedical vocabularyexpansive medical claim corpus
发现论文，激发创造
  • 基于实体的论述表达方式提高推特中医疗内容的事实核查

    为使社交媒体上的用户生成内容可以通过现有模型进行事实核查，本文提出了一种利用关联实体信息来压缩含有主题实体、关系和客体实体三元组成的声明式陈述或提取最短包含这些元素的短语的方法，其可提高各种验证模型的性能。

    Sep, 2022

  • 生物医学 Twitter 帖子中的索赔检测

    本文旨在填补社交媒体生物医学领域中技术自动验证和虚假新闻检测方法的研究空白，使用样本与新冠肺炎、麻疹、囊性纤维化和抑郁症相关的推文，开发出一个检测自动化声明的模型，并且在嵌入式分类器和 BERT 转移学习方面进行基础分类实验，分析揭示出笔者所构建的医学推特大多数都包含自动化声明信息。

    Apr, 2021

  • 基于推特的偏见医疗声称级联检测

    社交媒体上可能会传播强调社会识别因素与疾病之间误导性相关性的医疗声明，而不考虑健康的结构性决定因素。我们的研究旨在识别 Twitter 上的偏见医疗声明并测量它们的传播程度。我们提出了一个机器学习框架，使用 RoBERTa 模型检测医疗声明，使用 DistilBERT 模型分类偏见。在识别出原始的有偏见医疗声明后，我们进行了转推级联分析，计算它们的个体传播范围和传播速率。我们发现，包含偏见声明的推文传播得比无偏见声明的更快、更远。

    Dec, 2023

  • 证据推断 2.0：更多数据，更好的模型

    本文讨论如何利用 NLP 技术快速分析大量的疾病治疗相关的文章，以便于有效地整理出临床试验结果，并希望以此为基础构建出一个比较不同治疗方法的数据库，方便医生进行治疗决策。同时，本文还介绍了一个被称为 Evidence Inference 的公开数据集，该数据集包括了很多描述临床试验的文献，可以用于相关研究。

    May, 2020

  • 利用生成人工智能进行临床证据摘要的可信性需求

    通过使用最佳可用证据赋予医疗决策和实践更好的质量，循证医学旨在改善医疗保健。然而，医学证据的快速增长来自不同的来源，这在收集、评估和综合证据信息方面带来了挑战。最近发展的生成 AI 模型，如大型语言模型，有望在简化艰巨任务方面发挥作用。然而，开发负责任、公平和包容的模型仍然是一项复杂的工作。在这个视角中，我们讨论了生成 AI 在自动摘要医学证据的情境中的可信度问题。

    Nov, 2023

  • 运用深度学习简化社交媒体信息检索，为公共卫生研究提供服务

    本研究介绍了一种基于 BERT 的命名实体识别（NER）模型，一个深度学习规范化模块以及一个半监督聚类模块构建的框架，用于从社交媒体中提取与 COVID-19 相关的症状词典，并对其进行标准化，以减少在基于社交媒体的公共卫生研究中的关键词匹配信息检索约束。

    Jun, 2023

  • 利用大型语言模型加速临床证据综合

    利用 TrialMind 等基于 LLMs 的人工智能模型，我们介绍了一种为进行医学系统评价而设计的生成型 AI 流水线。通过结合人类专家的监督，我们证明了 TrialMind 显著提高了文献综述的过程，并在从超过 2000 万篇 PubMed 文章中搜索研究、筛选研究和提取结果的过程中取得了优异的性能。结果还显示，与 GPT-4 基准相比，八位人类评估者更喜欢 TrialMind，其有效率提升了临床研究的效率。

    Jun, 2024

  • 从临床试验报告中推断哪些医疗治疗方法有效

    本文介绍了一种新的任务和语料库，通过全文文章描述随机对照试验 (RCT) 的方式，推断与给定干预、比较和预期结果相关的报告发现，结果表明这项任务的困难性主要归因于长篇的技术性输入文本。

    Apr, 2019

  • 科学话语标注以实现证据提取

    通过从全文中提取文本片段，利用以生物医学为域的语料预训练的深度表征学习探讨科学论述结构的分析和证据片段的提取，以提高科学主张的质量。

    Sep, 2019

  • 使用 EVINCE 框架确保医疗领域的地面真实性

    EVINCE 是一个使用多个大型语言模型在结构性辩论框架下，通过信息二元性的熵变化，旨在改善诊断准确性并纠正误诊和最小化训练数据错误的系统。经验研究验证了 EVINCE 在实现设计目标方面的有效性。

    May, 2024