结合主题建模,情感分析和体语言学来分析非结构化的基于Web的患者体验数据:摩达菲尼尔体验的案例研究

科学领域:

• 计算语言学计算语言学
• 医疗信息学 医疗信息学
• 患者报告的结果.

背景情况:

• 社交媒体提供了以患者为中心的观点,这些观点在传统的系统性审查中经常被忽视.
• 定性健康研究经常被认为是事和缺乏概括性而被驳回.
• 这项研究探讨了从不同来源汇总患者经验,以产生强有力的证据.

研究的目的:

• 研究将无监督自然语言处理 (NLP) 和语料库语言学结合起来,从广泛的莫达菲尼尔体验数据中分析患者的观点.
• 将这些发现与现有的Cochrane关于modafinil疗效的元分析进行比较.
• 建立一个分析患者生成数据的方法框架.

主要方法:

• 分析了来自790个来源的69,022个帖子,使用Python进行NLP和Sketch Engine进行语言分析.
• 应用多个主题挖掘技术,包括潜伏的迪里克莱特分配,非负矩阵分解和文字嵌入方法.
• 通过TextBlob和VADER进行情感分析,以及诸如拼接,对应和n-gram生成之类的集体方法.

主要成果:

• 莫达菲尼尔的使用记录在166种健康状况中,常见的提及包括麻醉症,多发性硬化症,ADHD,焦虑和抑郁症.
• 词嵌入主题建模成功将70%的帖子归类为预定义的主题.
• 情绪分析表明65%的用户对modafinil的反应是积极的,66%的用户是中立的,28%的用户是负面的.

结论:

• 结合NLP和语言技术,有效地分析大型非结构化患者数据集,产生方法上一致的发现.
• 患者生成的数据为治疗结果提供了有价值的见解,挑战现有临床证据,并可能提高患者护理.
• 这种方法证明了患者生成的数据在补充和告知临床理解方面的潜力.