#慢性疼痛:使用机器学习从Twitter上自动构建慢性疼痛队列
Abeed Sarker1, Sahithi Lakamana1, Yuting Guo1
1Department of Biomedical Informatics, School of Medicine, Emory University, Atlanta, GA, USA.
Health data science
|February 9, 2024
概括
研究人员使用社交媒体数据来确定慢性疼痛的有效替代疗法. 这种方法可以建立一个庞大的,不断增长的研究阿片类药物替代品的队列.
科学领域:
- 计算社会科学 计算社会科学
- 数字健康数字健康
- 公共卫生 公共卫生
背景情况:
- 慢性疼痛对公共卫生造成重大负担,需要替代阿片类药物治疗.
- 社交媒体提供了大量来自慢性疼痛患者的自我报告数据来源.
研究的目的:
- 评估使用Twitter数据识别慢性疼痛患者的可行性.
- 开发和应用自然语言处理 (NLP) 和机器学习 (ML) 模型来分析自我报告的慢性疼痛经历.
- 收集纵向数据,以了解患者报告的结果和治疗方法.
主要方法:
- 使用与慢性疼痛相关的标签和关键词收集了推特数据.
- 手动注释了 4,998 条关于自己报告的慢性疼痛经历的帖子.
- 训练并评估NLP/ML模型,使用性能最好的RoBERTa分类器 (F1分数:0.84).
- 分析了来自22,795个已识别的慢性疼痛患者的300多万条帖子.
主要成果:
- 在Twitter上成功识别了大量的慢性疼痛患者.
- 罗伯塔模型在对自我报告的疼痛帖子进行分类方面表现出了很高的表现.
- 分析揭示了对替代治疗方法,患者情绪,副作用和自我管理策略的见解.
结论:
- 基于社交媒体的方法可以为慢性疼痛研究创造一个不断增长的队列.
- 这些数据可以用来发现有效的阿片类替代疗法,用于各种慢性疼痛疾病.


