Semi-Supervised Recurrent Neural Network for Adverse Drug Reaction Mention Extraction
TCS Research, Tata Consultancy Services(塔塔咨询服务公司TCS研究院)
社交媒体是一个有用的平台,分享健康相关的信息,由于其广泛的影响。这使其成为公共卫生监测任务的良好候选者,特别是药物警戒。我们研究了从社交媒体,特别是Twitter中提取药物不良反应(ADR)提及的问题。从社交媒体中提取医疗信息抽取具有挑战性,主要是由于文本的简短和高度信息化的性质,而不是更多的技术和正式的医疗报告。现有的药品不良反应提及信息提取方法依赖于监督学习方法,存在标注数据稀缺的问题。最先进的方法使用深度神经网络,具体地说是一类循环神经网络(RNN),其是长短期记忆网络(LSTM)\cite{hochreiter1997long}。深度神经网络由于其大量的自由参数,严重依赖于大型注释语料库来学习最终任务。但在现实世界中,很难获得大的标记数据,主要是由于与手动注释相关的沉重成本。为此,我们提出了一种新的基于半监督学习的RNN模型,该模型可以利用社交媒体上大量存在的未标记数据。通过实验,我们证明了我们的方法的有效性,达到国家的最先进的性能在ADR提及提取。
2017-09-06 cs.CL cs.IR
DrugClaw and DrugAudit: A Primary-Source-Grounded Agent and Authority-Aware Benchmark for Drug-Information Question Answering
Department of Health Outcomes and Biomedical Informatics, College of Medicine, University of Florida(佛罗里达大学健康结局与生物医学信息学系,医学院);PAMI Research Group, Department of Computer and Information Science, Faculty of Science and Technology, University of Macau(澳门大学科学与技术学院计算机与信息科学系PAMI研究组)
提出多智能体检索增强系统DrugClaw,通过反射驱动状态机查询药物注册与药物警戒知识库,并构建含3772条权威感知基准DrugAudit,在多个基准上取得最优性能。
2026-05-31 cs.CL
PVLens: Enhancing Pharmacovigilance Through Automated Label Extraction
GlaxoSmithKline(葛兰素史克);London School of Hygiene and Tropical Medicine(伦敦卫生与热带医学院)
PVLens自动化提取FDA标签安全信息并映射至MedDRA,结合专家审查,在97个标签验证中F1达0.882,提供更准确、可扩展且持续更新的药物警戒参考。
2025-03-27 cs.CL cs.LG
A Dataset for Pharmacovigilance in German, French, and Japanese: Annotating Adverse Drug Reactions across Languages
BIFOLD;TU Berlin(柏林工业大学);German Research Center for Artificial Intelligence (DFKI)(德国人工智能研究中心(DFKI));Université Paris-Saclay(巴黎萨克雷大学);Nara Institute of Science and Technology(奈良科学技术研究所);RIKEN(理化学研究所)
本文构建了德语、法语和日语的多语言药物不良反应标注语料库,涵盖多来源文本及12种实体、4种属性和13种关系类型,并通过实验为跨语言实体与关系提取提供了强基线。
2024-03-27 cs.CL cs.LG
Multi-Task Pharmacovigilance Mining from Social Media Posts
University of Illinois at Chicago(伊利诺伊大学芝加哥分校)
社交媒体已成为药物警戒研究的重要信息源,越来越多的人发布了以前未报告的医疗药物不良反应。为了有效地监测社会医疗岗位上药品不良反应(ADR)的各个方面,提出了一种多任务神经网络框架,该框架能够在不同的监督级别下集体学习与ADR监测相关的多个任务。除了能够正确分类ADR帖子并从在线帖子中准确提取ADR提及之外,所提出的框架还能够从给定的社交媒体帖子中进一步了解药物被服用的原因,称为“适应症”。在我们的框架中采用了基于覆盖率的注意力机制,以帮助模型正确识别关注帖子中多个单词的“短语”ADR和指示。我们的框架是适用于有限的并行数据的情况下,不同的药物警戒tasks.We评估建议的框架在现实世界的Twitter数据集,其中建议的模型优于国家的最先进的替代方案,每个单独的任务一致。
2018-02-16 cs.AI cs.CL cs.LG
GNTeam at 2018 n2c2: Feature-augmented BiLSTM-CRF for drug-related entity recognition in hospital discharge summaries
School of Computer Science, The University of Manchester(曼彻斯特大学计算机学院);Health eResearch Center, The University of Manchester(曼彻斯特大学健康电子研究中心);The Alan Turing Institute(艾伦·图灵研究所)
监测药物给药和药物不良反应是药物警戒的关键部分。在本文中,我们探索通过深度学习从医院出院摘要中提取药物提及和药物相关信息(服用药物的原因,途径,频率,剂量,强度,形式,持续时间和不良事件),深度学习依赖于临床命名实体识别的各种表示。这项工作正式成为2018年n2 c2共享任务的一部分,我们使用提供的数据作为任务的一部分。我们开发了两种基于递归神经网络和预训练语言模型的深度学习架构。我们还探讨了临床命名实体识别的语义特征增强词表示的效果。我们的特征增强BiLSTM-CRF模型的F1得分为92.67%,在提交的n2 c2挑战系统中,实体提取子任务排名第4。使用预训练的特定领域词嵌入和用于标签优化的CRF层的递归神经网络执行药物、不良事件和相关实体提取,微平均F1分数超过91%。使用可用的临床NLP工具包提取语义特征来增强词向量可以进一步提高性能。词嵌入在相关文档的大型未注释语料库上进行预训练,并根据任务进行进一步微调,表现相当不错。然而,增加具有语义特征的词嵌入可以帮助提高来自电子健康记录的与药物相关的命名实体识别的性能(主要是通过提高精度)。
2019-09-23 cs.CL
Retrofitting Vector Representations of Adverse Event Reporting Data to Structured Knowledge to Improve Pharmacovigilance Signal Detection
University of Washington(华盛顿大学)
药物不良事件(ADE)普遍存在且成本高昂。临床试验在识别潜在ADE的能力方面受到限制,这促使开发了用于上市后监测的自发报告系统。统计方法提供了一种方便的方法来检测这些报告中的信号,但由于其基于离散计数的性质,在利用药物和ADE之间的关系方面存在局限性。以前提出的方法,aer2vec,生成分布式矢量表示的ADE报告实体,捕获模式的相似性,但不能利用词汇知识。我们通过将aer2vec药物嵌入改造为RxNorm的知识来解决这一限制,并使用向量重新缩放来开发一种新的改造变体以保持幅度。当在药物警戒信号检测任务的背景下进行评估时,在对最低预处理数据进行训练时,具有改造的aer2vec始终优于非线性指标。通过重新缩放进行改造,进一步改善了用于评价的两个药物警戒参考集的更大和更具挑战性。
2020-08-07 cs.CL
Mining the Web for Pharmacovigilance: the Case Study of Duloxetine and Venlafaxine
Arizona State University(亚利桑那州立大学)
在许多国家,药物进入市场后引起的不良反应是导致死亡的主要原因之一。电子可用的健康相关信息的快速增长,以及使用自然语言处理(NLP)和机器学习算法自动处理大量信息的能力,为药物警戒开辟了新的机会。调查发现,超过70%的美国互联网用户在需要医疗信息时会上网咨询。近年来,这一领域的研究已经利用社交媒体(主要是Twitter和医学论坛和网站)解决了药物不良反应(ADR)的药物警戒问题。本文将展示可以从各种互联网数据源和搜索引擎(主要是Google趋势和Google Correlate)收集的信息。在考虑两种流行的重性抑郁症(MDD)药物,度洛沙汀和文拉法辛的病例研究时,我们将使用公开的替代数据来源对它们的反应进行比较分析。
2016-10-08 cs.CL cs.CY
Automagically encoding Adverse Drug Reactions in MedDRA
University of Verona(维罗纳大学)
药物警戒是致力于收集、分析和预防药物不良反应(ADR)的科学领域。从自由文本资源中提取有关ADR的信息的有效策略对于支持专家的工作至关重要,这些专家在检测和分类可能与药物假设相关的意外病理的关键任务中工作。可以通过多种方式收集叙述性ADR描述,例如通过监测社交网络或通过所谓的自发报告,药物警戒采用的主要方法是识别ADR。根据MedDRA标准术语对自由文本ADR描述进行编码是报告分析的核心。这是一项复杂的工作,必须由药物警戒专家手动执行。手动编码是昂贵的(就时间而言)。此外,由于报告的数量日益增长,因此可能出现关于编码的准确性的问题。在本文中,我们提出了MagiCoder,一个有效的自然语言处理算法,能够自动获得MedDRA术语从自由文本的ADR描述。MagiCoder是VigiWork的一部分,VigiWork是一个在线ADR报告和分析的网络应用程序。从实用的角度来看,MagiCoder从根本上减少了ADR报告的修订时间:药理学家只需修订和验证自动解决方案,而不是在MedDRA的70k术语中选择解决方案的艰巨任务。专家工作效率的提高对数据分析的质量有着重要的影响。此外,我们的程序是通用的。我们为意大利药物警戒语言开发了MagiCoder,但初步分析表明,它对语言和词典变化具有鲁棒性。
2017-01-17 cs.CL
Boosting Adverse Drug Event Normalization on Social Media: General-Purpose Model Initialization and Biomedical Semantic Text Similarity Benefit Zero-Shot Linking in Informal Contexts
University of Ghent(根特大学);University of Udine(乌迪内大学)
针对社交媒体文本上不良药物事件规范化难题,提出基于BioLORD通用模型初始化与STS语义文本相似性微调的零样本链接新方法,在多个数据集上取得最先进性能,有望成为未来研究基准。
2023-07-31 cs.CL
The Need for Guardrails with Large Language Models in Medical Safety-Critical Settings: An Artificial Intelligence Application in the Pharmacovigilance Ecosystem
Harvard-MIT Department of Health Sciences and Technology(哈佛-麻省理工卫生科学与技术部);GlaxoSmithKline(葛兰素史克公司);London School of Hygiene and Tropical Medicine(伦敦卫生与热带医学院);Harvard T.H. Chan School of Public Health(哈佛陈曾熙公共卫生学院)
本文针对LLM在药物警戒等医疗安全关键场景中的幻觉风险,提出并验证了一套防护栏框架,通过异常文档检测、错误术语识别和不确定性表达等机制,结合微调LLM实现安全可靠的药物安全报告转换。
2024-09-04 cs.AI cs.CL cs.CY
Utilizing AI and Social Media Analytics to Discover Adverse Side Effects of GLP-1 Receptor Agonists
The School of Business Administration(商学院);Bar-Ilan University(巴伊兰大学);Ben-Gurion University of the Negev(内盖夫本-古里安大学);Questrom School of Business(奎斯特罗姆商学院);Boston University(波士顿大学)
本文提出一种结合社交媒体、临床文献、制造商报告和ChatGPT的数字健康方法,利用NER模型发现GLP-1受体激动剂在FDA批准后被忽视的21种潜在不良副作用,助力提升新药上市后安全性监测能力。
2024-04-01 cs.AI cs.CL cs.IR
AI-based Approach for Safety Signals Detection from Social Networks: Application to the Levothyrox Scandal in 2017 on Doctissimo Forum
Université Claude Bernard - Lyon 1(里昂第一大学(克洛德·贝尔纳大学));New York University Abu Dhabi(纽约大学阿布扎比分校)
社交媒体可以成为一个重要的信息来源,促进药物警戒中新安全信号的检测。各种方法已经研究了使用AI分析社交媒体数据,例如用于检测药物不良事件的NLP技术。现有的方法集中在提取和识别药物不良反应,药物相互作用和药物滥用。然而,没有一项工程是通过考虑相关指标的时间演变来解决潜在安全信号的检测问题。此外,尽管深度学习在各种医疗保健应用中取得了成功,但它并没有被用于这项任务。我们提出了一种基于人工智能的方法,用于检测来自患者评论的潜在药物安全性信号,这些信号可用作药物警戒监测过程的一部分,以标记深入药物警戒调查的必要性。我们重点关注法国的Levothyrox案例,该案例在药物配方改变后引发了媒体的巨大关注,导致患者通常报告的药物不良反应频率增加。我们的方法是双重的。(1)我们研究了从患者评论中提取的各种基于NLP的指标,包括单词和n元语法频率、语义相似性、药物不良反应提及和情感分析。(2)我们提出了一种深度学习架构,名为Word Cloud卷积神经网络(WC-CNN),它在从患者评论中提取的单词云上训练CNN。我们研究了不同的时间分辨率和不同的NLP预处理技术对模型性能的影响。我们的研究结果表明,所提出的指标可以在未来用于有效地检测新的安全信号。在以每月分辨率提取的词云上训练的WC-CNN模型以75%的准确率优于其他模型。
2022-02-01 cs.AI cs.CL
Ontology-based Semantic Similarity Measures for Clustering Medical Concepts in Drug Safety
GlaxoSmithKline(葛兰素史克);London School of Hygiene and Tropical Medicine(伦敦卫生与热带医学院)
本研究针对药物警戒领域SSMs应用不足的问题,评估六种基于本体的SSMs对MedDRA PTs的聚类效果,开发高通量框架支持大规模计算,发现基于IC的方法聚类精度更优,为药物警戒工作流程优化提供支持。
2025-04-11 cs.CL
The Russian Drug Reaction Corpus and Neural Models for Drug Reactions and Effectiveness Detection in User Reviews
Kazan Federal University(喀山联邦大学);Steklov Institute of Mathematics at St. Petersburg(圣彼得堡斯捷克洛夫数学研究所)
本文构建了俄语药物反应部分标注语料库RuDReC,并提出基于RuDR-BERT的基线模型用于命名实体识别与多标签句子分类,在两项任务上均取得优于基线的F1分数,且已开源语料库与模型权重。
2020-04-07 cs.CL
Detecting Adverse Drug Reactions from Twitter through Domain-Specific Preprocessing and BERT Ensembling
UC Berkeley School of Information(加州大学伯克利分校信息学院)
社交媒体中的药物不良反应(ADR)检测自动化将彻底改变药物警戒实践,支持药物监管机构,制药行业和公众确保日常实践中处方药物的安全性。根据2019年8月发布的健康社交媒体挖掘(SMM 4H)应用研讨会和共享任务的会议记录,我们旨在开发一个深度学习模型,对包含药物提及的Twitter推文中的ADR进行分类。我们的方法涉及微调$BERT_{LARGE}$和两个特定领域的BERT实现,$BioBERT$和$Bio + clinicalBERT$,应用特定领域的预处理器,并开发一个最大预测集成方法。我们的最终模型在$F_1$评分(0.6681)和召回率(0.7700)方面的最新性能优于SMM4H 2019和迄今为止的后评价期间提交的所有模型。
2020-05-11 cs.CL cs.LG cs.SI
Did you take the pill? - Detecting Personal Intake of Medicine from Twitter
Bloomberg(彭博);Indraprastha Institute of Information Technology Delhi(德里英德拉普拉斯塔信息技术学院);Singapore Management University(新加坡管理大学)
挖掘社交媒体消息(如推文、文章和Facebook帖子)中的健康和药物相关信息已引起药物警戒研究的极大兴趣。社交媒体网站(例如,Twitter),已被用于监测药物滥用,药物使用的不良反应和分析与药物有关的情绪表达。这些研究大多基于大量人口的汇总结果,而不是特定的个人。为了在个人层面或特定群组进行研究,有必要查明提及用户服用药物的帖子。为了实现这一目标,我们开发了一个分类器,用于识别推文中提到的个人摄入药物。我们在一个带注释的数据集上训练一个浅层卷积神经网络(CNN)模型的堆叠集合。我们使用随机搜索来调整CNN模型的超参数,并为预测任务提供最佳模型的集合。我们的系统产生了最先进的结果,微平均F分数为0.693。我们认为,开发的分类器在心理学,健康信息学,药物警戒和情感计算领域有直接的用途,用于跟踪患者在社交媒体上表达摄入药物的情绪,情绪和情感。
2018-08-03 cs.CL
Mining Adverse Drug Reactions from Unstructured Mediums at Scale
John Snow Labs Inc.(约翰斯诺实验室公司)
药物不良反应/事件(ADR/ADE)对患者健康和医疗保健费用有重大影响。尽早发现ADR并与监管机构、制药公司和医疗保健提供者分享,可以预防发病并挽救许多生命。虽然大多数ADR不是通过正式渠道报告的,但它们通常记录在各种非结构化对话中,例如患者的社交媒体帖子,客户支持电话记录,或医疗保健提供者和制药销售代表之间的CRM会议记录。在本文中,我们提出了一种自然语言处理(NLP)解决方案,可以在这种非结构化自由文本对话中检测ADR,它在三个方面改进了以前的工作。首先,新的命名实体识别(NER)模型在ADE、CADEC和SMM 4 H基准数据集上获得了最新的ADR和药物实体提取准确率(分别为91.75%、78.76%和83.41%F1分数)。其次,引入了两个新的关系抽取(RE)模型-一个基于BioBERT,而另一个利用全连接神经网络(FCNN)上的精心制作的功能-显示与现有的最先进的模型相当,并且在使用补充的临床医生注释的RE数据集进行训练时表现优于它们。第三,一个新的文本分类模型,用于确定对话是否包括ADR,在CADEC数据集上获得了新的最先进的准确性(86.69%F1分数)。完整的解决方案在Apache Spark之上构建的生产级库中作为统一的NLP管道实现,使其具有原生可扩展性,能够在商品集群上处理数百万条批处理或流记录。
2022-01-06 cs.AI cs.CL cs.LG
Automated Detection of Adverse Drug Reactions in the Biomedical Literature Using Convolutional Neural Networks and Biomedical Word Embeddings
Novartis Pharma A.G.(诺华制药股份公司)
监测药物不良反应(ADR)病例的生物医学文献是药物警戒中一项至关重要且耗时的任务。计算机辅助方法的发展,以帮助这一过程中的不同形式一直是许多最近的作品的主题。已经显示出前景的一个特定领域是使用深度神经网络,特别是卷积神经网络(CNN),用于检测ADR相关句子。使用令牌级卷积和通用词嵌入,该架构相对于更传统的模型以及长短期记忆(LSTM)模型表现出良好的性能。在这项工作中,我们使用ADE语料库评估和比较两种不同的CNN架构。此外,我们表明,通过去重复的ADR相关的句子,我们可以大大减少过度乐观的分类结果。最后,我们评估了专门为生物医学文本开发的词嵌入的使用,并表明它们在这项任务中具有更好的性能。
2018-04-24 cs.CL cs.LG stat.ML
#phramacovigilance - Exploring Deep Learning Techniques for Identifying Mentions of Medication Intake from Twitter
Bloomberg(彭博);IIIT-Delhi(德里英德拉普拉斯塔信息技术学院)
挖掘社交媒体消息中的健康和药物相关信息已经引起了药物警戒研究的极大兴趣。社交媒体网站(例如,Twitter),已被用于监测药物滥用,药物使用的不良反应和分析与药物有关的情绪表达。这些研究大多基于大量人口的汇总结果,而不是特定的个人。为了在个人层面或特定群组进行研究,有必要查明提及用户服用药物的帖子。为了实现这一目标,我们训练不同的深度神经网络分类模型上公开可用的注释数据集,并研究其性能识别提到的个人摄入药物的推文。我们还设计和训练了一个新的架构的堆叠集成的浅卷积神经网络(CNN)集成。我们使用随机搜索来调整模型的超参数,并在不同的深度神经网络架构中共享最佳学习模型的超参数所取值的细节。我们的系统产生了最先进的结果,微平均F分数为0.693。
2018-05-16 cs.CL
Increasing Adverse Drug Events extraction robustness on social media: case study on negation and speculation
University of Udine(乌迪内大学);Università degli Studi di Napoli Federico II(那不勒斯费德里科二世大学);The Hong Kong Polytechnic University(香港理工大学);Bayer(拜耳)
在过去的十年中,越来越多的用户开始在社交媒体平台、博客和健康论坛上报告药物不良事件(ADE)。鉴于报告数量巨大,药物警戒部门一直关注如何使用自然语言处理(NLP)技术快速检查这些大量文本,检测药物相关不良反应的提及,以触发医学调查。然而,尽管对任务的兴趣越来越大,并且NLP取得了进展,但这些模型在面对诸如否定和推测等语言现象时的鲁棒性仍然是一个开放的研究问题。否定和推测是自然语言中普遍存在的现象,并且会严重阻碍自动化系统区分文本中的事实和非事实陈述的能力。在本文中,我们考虑了四种最先进的社交媒体文本ADE检测系统。我们引入SNAX,一个基准测试他们的性能对样本包含否定和推测的ADE,显示他们对这些现象的脆弱性。然后,我们介绍了两种可能的策略,以增加这些模型的鲁棒性,表明它们都带来了显着的性能提高,降低了60%的否定和80%的猜测模型预测的虚假实体的数量。
2022-09-06 cs.CL
CTG-DB: An Ontology-Based Transformation of ClinicalTrials.gov to Enable Cross-Trial Drug Safety Analyses
GSK(葛兰素史克);London School of Hygiene & Tropical Medicine(伦敦卫生与热带医学学院)
CTG-DB通过标准化不良事件术语,实现临床试验数据库的转换,支持跨试验药物安全性分析和药物流行病学信号检测。
2026-03-18 cs.CL
Enhancing Adverse Drug Event Detection with Multimodal Dataset: Corpus Creation and Model Development
Indian Institute of Technology Patna(印度理工学院巴特那分校);Stanford University(斯坦福大学);Amazon GenAI(亚马逊生成式人工智能部门)
本文针对传统ADE检测忽视视觉信息的问题,提出多模态药物不良事件检测数据集MMADE,并结合LLM与VLM生成医学图像描述以增强检测性能,为个性化医疗和患者安全提供新途径。
2024-05-27 cs.AI cs.CL cs.CV
Robust or Suggestible? Exploring Non-Clinical Induction in LLM Drug-Safety Decisions
本研究探讨LLM在药物安全预测中是否受社会人口统计信息影响,发现对弱势群体存在系统性偏差,包括显性和隐性偏见,强调临床部署前需公平性评估。
2025-10-15 cs.CL
InfyNLP at SMM4H Task 2: Stacked Ensemble of Shallow Convolutional Neural Networks for Identifying Personal Medication Intake from Twitter
Infosys Limited(印孚瑟斯有限公司);Indian Institute of Technology Guwahati(印度理工学院古瓦哈提分校)
本文介绍了Infosys参与“2017年AMIA第二届健康应用社交媒体挖掘共享任务,任务2”。挖掘社交媒体消息中的健康和药物相关信息已经引起了药物警戒研究的极大兴趣。这项任务的目标是开发自动分类模型,用于识别包含个人药物摄入描述的推文。为了实现这一目标,我们训练一个堆叠的浅卷积神经网络(CNN)模型的集合上提供的注释数据集的组织者。我们使用随机搜索来调整CNN的超参数,并为预测任务提交最佳模型的集合。我们的系统在9支球队中获得第一名,微平均F分数为0.693。
2018-03-21 cs.CL
Leveraging Large Language Models for Multi-Class and Multi-Label Detection of Drug Use and Overdose Symptoms on Social Media
本研究提出一个基于AI的NLP框架,利用结合LLM与人工的混合标注策略在社交媒体数据上训练多种模型,以检测药物使用及过量症状,在多分类和多标签分类任务中分别达到98%和97%的准确率,有效支持公共卫生监测与个性化干预。
2025-07-15 cs.AI cs.CL cs.SI
Unveiling the Potential of Knowledge-Prompted ChatGPT for Enhancing Drug Trafficking Detection on Social Media
West Virginia University(西弗吉尼亚大学);University of Notre Dame(圣母大学)
本文首次系统研究利用ChatGPT等大语言模型检测社交媒体毒品贩运,提出知识知情提示框架和蒙特卡洛dropout提示优化方法,检测准确率较基线模型提升近12%,有效应对毒贩的欺骗性语言和委婉语。
2023-07-07 cs.AI cs.CL cs.SI
"Can We Detect Substance Use Disorder?": Knowledge and Time Aware Classification on Social Media from Darkweb
University of South Carolina(南卡罗来纳大学);IIIT Delhi(德里印度信息科学研究所);BITS Pilani Hyderabad(海得拉巴比拉理工学院);Mahidol University(玛希隆大学);Arizona State University(亚利桑那州立大学)
针对暗网加密市场相关社交媒体帖子,该研究结合药物滥用本体、知识感知BERT与时间感知神经模型,分析情感、情绪和主题,实现物质使用障碍检测。
2023-04-20 cs.CL cs.LG cs.SI
Selection of pseudo-annotated data for adverse drug reaction classification across drug groups
Kazan (Volga Region) Federal University(喀山(伏尔加地区)联邦大学);HSE University(高等经济大学);Sber AI
本文评估了最先进的神经架构在不同药物组间的ADR分类鲁棒性,发现使用额外的伪标注数据能克服监督模型的性能瓶颈并提升总体结果。
2021-11-24 cs.CL cs.LG
DS4DH at #SMM4H 2023: Zero-Shot Adverse Drug Events Normalization using Sentence Transformers and Reciprocal-Rank Fusion
University of Geneva(日内瓦大学)
本研究针对SMM4H 2023共享任务5的Twitter药物不良事件归一化需求,提出BERT微调实体识别结合Sentence Transformers与倒数排名融合的零样本归一化两阶段方法,取得任务最优性能,验证了该方法的有效性与应用潜力。
2023-11-06 cs.CL
Covering Cracks in Content Moderation: Delexicalized Distant Supervision for Illicit Drug Jargon Detection
Korea Advanced Institute of Science & Technology(韩国科学技术院);S2W Inc.(S2W公司)
针对社交媒体毒品黑话检测中词表方法易规避、歧义难辨的问题,提出结合远程监督与去词汇化的JEDIS框架,无需人工标注数据,在F1值和检测覆盖率上均优于现有基线。
2025-03-19 cs.CL
Adapting Phrase-based Machine Translation to Normalise Medical Terms in Social Media Messages
University of Cambridge(剑桥大学)
以前的研究表明,社交媒体上的健康报告,如DailyStrength和Twitter,有可能监测特定社区的健康状况(如药物不良反应,传染病)。然而,为了让机器理解并推断这些健康状况,需要能够识别外行术语何时指的是特定的医学概念(即文本标准化)。为了实现这一点,我们建议适应现有的基于短语的机器翻译(MT)技术和矢量表示的话之间的映射社交媒体短语和医疗概念。我们使用与药物不良反应相关的推文中的短语集合来评估我们提出的方法。我们的实验结果表明,基于短语的MT技术和词向量表示之间的相似性的组合优于仅应用其中任何一个的基线高达55%。
2015-08-10 cs.CL
The Evolution of Substance Use Coverage in the Philadelphia Inquirer
College of Computing and Informatics, Drexel University(德雷塞尔大学计算与信息学院)
该研究通过分析《费城问询报》十年间3,903篇涉及滥用药物的文章,揭示不同药物类别的报道倾向,呼吁媒体对物质使用和成瘾进行更准确、包容的呈现。
2023-07-03 cs.CL
Understanding COVID-19 News Coverage using Medical NLP
John Snow Labs inc.(约翰·斯诺实验室公司)
COVID-19疫情为全球性大流行病,受到全球媒体关注。在这项研究中,我们分析了CNN和卫报-世界上最有影响力的两个媒体组织的新闻出版物。该数据集包括36,000多篇文章,使用Spark NLP for Healthcare库中的临床和生物医学自然语言处理(NLP)模型进行分析,这使得对医学概念的分析比以前更深入。该分析涵盖了关键实体和短语,观察到的偏见,以及通过将挖掘的医疗症状,程序,药物和指导与常见的人口统计和职业群体相关联来改变新闻报道。另一项分析是关于药物和疫苗制造商的提取的药物不良事件,当主要新闻媒体报道时,会对疫苗犹豫产生影响。
2022-03-19 cs.AI cs.CL
KESDT: knowledge enhanced shallow and deep Transformer for detecting adverse drug reactions
Dalian University of Technology(大连理工大学);Tianjin Normal University(天津师范大学)
针对社交媒体 ADR 检测中的关键词交互、标注不足与样本不平衡问题,提出 KESDT,通过浅层领域关键词融合、深层同义词融合及 focal loss 提升性能。
2023-08-18 cs.CL
Social Media-based Substance Use Prediction
University of Maryland, Baltimore County(马里兰大学巴尔的摩分校);Virginia Tech Carilion Research Institute(弗吉尼亚理工卡里永研究所)
在本文中,我们演示了如何使用最先进的机器学习和文本挖掘技术来构建有效的基于社交媒体的物质使用检测系统。由于物质使用地面真相很难大规模获得,为了最大限度地提高系统性能,我们探索了不同的特征学习方法,以利用大量无监督的社交媒体数据。我们还展示了使用多视图无监督特征学习来结合异构用户信息(如Facebook的“喜欢”和“状态更新”)以提高系统性能的好处。根据我们的评估,我们最好的模型预测烟草使用的AUC达到86%,酒精使用的AUC达到81%,药物使用的AUC达到84%,所有这些都明显优于现有的方法。我们的调查还发现了用户的社交媒体行为(例如,(二)使用物质。
2017-05-31 cs.CL cs.LG cs.SI
Domain-Guided Task Decomposition with Self-Training for Detecting Personal Events in Social Media
Emory University(埃默里大学)
挖掘社交媒体内容用于诸如检测个人经历或事件的任务,遭受词汇稀疏、不足的训练数据和创造性词汇。为了减少创建大量标记数据的负担并提高分类性能,我们建议分两步执行这些任务:1.通过识别关键概念将任务分解为特定领域的子任务,从而利用人类领域理解;以及2.使用协同训练将学习器对每个关键概念的结果进行组合,以减少对标记训练数据的要求。我们经验表明,我们的方法,共分解,使用三个有代表性的社会媒体挖掘任务,即个人健康提及检测,危机报告检测和药品不良反应监测的有效性和通用性。实验表明,我们的模型是能够超越国家的最先进的文本分类模型-包括那些使用最近推出的BERT模型-当少量的训练数据。
2020-04-21 cs.CL cs.LG cs.SI
Fuzzy Based Implicit Sentiment Analysis on Quantitative Sentences
Universiti Technologi Malaysia(马来西亚理工大学)
随着网络上社交媒体的快速发展,情感极性计算已经成为文本挖掘社区中一个蓬勃发展的前沿领域。然而,由于社交媒体数据的多样性和规模,了解最新趋势并总结关于产品的状态或一般意见是具有挑战性的,这就需要自动化和实时的的意见提取和挖掘。另一方面,目前的大部分研究一直致力于研究包含意见关键词的主观句子,并已报告了有限的工作,暗示情绪的客观陈述。在本文中,基于模糊的知识工程模型已开发的情感分类的特殊群体的这样的句子,包括改变或偏离所需的范围或值。药物评论是此类声明的丰富来源。因此,在本研究中,一些实验进行了患者的评论几种不同的降胆固醇药物,以确定他们的情绪极性。通过本研究得出的主要结论是,为了提高现有的药物意见挖掘系统的准确率水平,应该考虑到客观的句子,其中暗示的意见。我们的实验结果表明,我们提出的模型获得超过72%的F1值。
2017-01-03 cs.CL
Social media mining for identification and exploration of health-related information from pregnant women
Arizona State University(亚利桑那州立大学);University of Pennsylvania(宾夕法尼亚大学)
社交媒体的广泛使用导致产生了大量关于个人的信息,包括与健康有关的信息。社交媒体提供了研究特定研究可能感兴趣的选定人群的健康相关信息的机会。在本文中,我们探讨了利用社交媒体对特定人群--孕妇--进行有针对性的数据汇集和分析的可能性。我们假设我们可以使用社交媒体来识别孕妇群体,并随着时间的推移跟踪她们,以分析关键的健康相关信息。为了识别潜在的孕妇,我们采用简单的基于规则的搜索,试图以中等精度检测怀孕公告。为了进一步过滤掉误报和噪声,我们使用了一个监督分类器,使用少量的手工注释数据。然后,我们收集他们随时间推移的帖子,以创建纵向健康时间表,并试图将时间表划分为不同的妊娠期。最后,我们通过初步分析来评估时间表的有用性,以估计我们的队列在不同孕期的药物摄入模式。我们基于规则的队列识别技术在30个月内从Twitter收集了53,820名用户。我们的怀孕公告分类技术在怀孕类中实现了0.81的F测量,得到了34,895个用户时间线。对时间线的分析表明,可以从数据中挖掘出相关的健康相关信息,如药物摄入和不良反应。我们以这种方式使用用户时间表的方法产生了非常令人鼓舞的结果,并可用于其他重要任务,其中可能无法从其他来源获得健康相关信息的队列需要随着时间的推移进行跟踪,以得出基于人口的估计数。
2017-02-08 cs.CL