相关实验视频
Updated: Jun 29, 2025

Assessment of Child Anthropometry in a Large Epidemiologic Study
Published on: February 2, 2017
使用长度推特数据用于儿童健康结果的数字流行病学:一个注释数据集和深度神经网络分类器
Ari Z Klein1, José Agustín Gutiérrez Gómez2, Lisa D Levine3
1Department of Biostatistics, Epidemiology, and Informatics, Perelman School of Medicine, University of Pennsylvania, Philadelphia, PA, United States.
研究人员使用深度学习模型分析了来自孕妇的9734条推文. 这种方法成功地发现了患有多动症,自闭症,言语迟缓和喘的儿童,突出了Twitter.
科学领域:
- 计算社会科学 计算社会科学
- 公共卫生信息学 公共卫生信息学
- 数字流行病学数字流行病学
背景情况:
- 像Twitter这样的社交媒体平台提供了大量的公共卫生实时数据.
- 了解怀孕暴露与儿童健康结果之间的联系对于早期干预至关重要.
- 手动注释用户生成的内容是耗时的,但对于训练准确的模型至关重要.
研究的目的:
- 开发和评估深度神经网络分类器,以检测在推特中提到的特定儿童健康状况.
- 评估使用Twitter数据作为大规模的补充资源来研究怀孕暴露和儿童健康的可行性.
- 确定报告的怀孕和随后诊断的注意力缺陷/多动障碍,自闭症谱系障碍,言语迟缓和喘之间的关联.
主要方法:
- 手动注释来自用户报告怀孕的9734条推文.
- 培训,评估和部署深度神经网络模型进行分类.
- 使用用户报告儿童注意力缺陷/多动障碍 (678),自闭症谱系障碍 (1744),言语迟缓 (902) 和喘 (1255) 的数据集.
主要成果:
- 深度神经网络分类器在检测特定的儿童健康状况时获得了0.93的高F1得分.
- 该研究成功地确定了大量的用户报告儿童患有多动症,自闭症,言语迟缓和喘.
- 展示了推特数据对健康相关信息的大规模分析的潜力.
结论:
- 推特可以作为对儿童健康结果的流行病学研究的有价值的补充数据来源.
- 深度学习模型有效地从社交媒体数据中提取有意义的健康信息.
- 这种方法有助于大规模评估孕妇在怀孕期间暴露与儿童健康之间的潜在关联.
更多相关视频
15:00Setup of Consumer Wearable Devices for Exposure and Health Monitoring in Population Studies
Published on: February 3, 2023
11:21Methodology for Establishing a Community-Wide Life Laboratory for Capturing Unobtrusive and Continuous Remote Activity and Health Data
Published on: July 27, 2018
相关概念视频
Introduction to Epidemiology
Longitudinal Studies
Longitudinal Research
Steps in Outbreak Investigation
Study Designs in Epidemiology
Observational studies are those where the researcher does not intervene but rather observes natural variations. They include cross-sectional, cohort, and...
Statistical Methods for Analyzing Epidemiological Data