识别潜在的莱姆病病例使用自我报告的全球推特:深度学习建模方法,通过表情符号增强情感词汇

科学领域:

• 计算流行病学计算流行病学
• 自然语言处理 (NLP) 是一种自然语言处理.
• 公共卫生监督 公共卫生监督

背景情况:

• 莱姆病是一个重要的全球公共卫生问题,传统的监测依赖于及时的医疗保健专业报告和实验室检测.
• 诊断和治疗的延迟可能会使莱姆病症状恶化,强调需要改进监测方法.
• 基于网络的数据来源为加强莱姆病监测提供了一个有希望的途径.

研究的目的:

• 分析全球推特数据,了解莱姆病监测潜力和局限性.
• 开发和评估基于变压器的分类系统,以从自我报告的推特中识别潜在的莱姆病病例.

主要方法:

• 收集和预处理了全球2万条与莱姆病相关的推特数据集.
• 推特被手动标记,表情符号被转换为情感词.
• 在标记的数据上,DistilBERT,ALBERT和BERTweet分类器进行了培训和验证.

主要成果:

• 伯特推特获得了最高的表现 (89.3%的F1得分,准确率为90.0%).
• 结合表情符号提高了分类器的性能,DistilBERT达到93.8%的F1分数和94.1%的准确性.
• 美国,英国,澳大利亚和加拿大表现出高度的认识,而来自非洲和亚洲的莱姆病推特很少见.

结论:

• BERTweet和DistilBERT在从社交媒体上对潜在的莱姆病病例进行分类方面表现出了强大的稳定性.
• 表情符号显著提高了推特嵌入和分类器性能,特别是在减少虚假负面方面.
• 这种方法为莱姆病监测提供了有价值的补充工具.