基于社交媒体采矿的食品传播事件检测:系统性审查
Silvano Salaris1, Honoria Ocagli1, Alessandra Casamento1
1Unit of Biostatistics, Epidemiology and Public Health, Department of Cardiac, Thoracic, and Vascular Sciences, University of Padova, via Loredan, 18, 35121 Padova, Italy.
Foods (Basel, Switzerland)
|January 25, 2025
概括
社交媒体和机器学习 (ML) 对早期发现食源性疾病充满希望. 这次审查强调了它们的潜力,但要求标准化方法和更深入地分析先进的ML模型.
科学领域:
- 公共卫生 公共卫生
- 计算流行病学计算流行病学
- 数据科学数据科学数据科学
背景情况:
- 食物传播疾病对全球健康造成重大负担,传统的监测方法往往缺乏及时性.
- 早期发现食物传播疾病的爆发对于有效的公共卫生干预至关重要.
- 需要创新的方法来补充传统的监控系统.
研究的目的:
- 系统地审查社交媒体平台在检测和管理食源性疾病中的作用.
- 评估机器学习 (ML) 技术在分析社交媒体数据中对食品传播疾病监测的应用.
- 确定使用社交网络进行公共卫生监测的趋势,挑战和未来方向.
主要方法:
- 在主要科学数据库 (PubMed,EMBASE,Scopus等) 进行系统的文献搜索. 在2024年12月之前.
- 包括利用社交媒体数据和数据挖掘用于预测和预防食源性疾病的研究.
- 由独立审查员进行选,在社交媒体平台上提取数据,使用ML技术 (浅层和深层学习),以及偏见风险评估.
主要成果:
- 推特和Yelp已经成为通过社交媒体监测食源性疾病的重要数据来源.
- 浅层学习模型主要用于审查的研究.
- 很大一部分确定的研究表现出高或不清楚的偏差风险,表明了方法上的局限性.
结论:
- 社交媒体与ML相结合,为实时的食品传播疾病监测和疫情应对提供了有价值的工具.
- 为了提高这些方法的可靠性和有效性,有必要制定标准化的方法.
- 进一步的研究应该专注于探索深度学习模型的潜力,以提高预测能力.
