应用和验证人工智能驱动的方法来探索患者在宫前癌症的经验

科学领域:

• 计算语言学计算语言学
• 医疗信息学 医疗信息学
• 社交媒体分析.

背景情况:

• 患有癌前宫疾病的患者经验对于了解护理需求至关重要.
• 社交媒体平台提供了丰富的现实世界患者报告数据来源.
• 分析患者定性数据的传统方法耗时且劳动密集.

研究的目的:

• 在社交媒体上应用和验证新的自然语言处理 (NLP) 工具来分析患有癌前宫疾病的患者经验.
• 评估NLP工具的准确性和效率,包括BERTopic和大型语言模型 (LLM),在主题建模和情绪分析中.
• 确定患者关于癌前宫疾病及其治疗所表达的关键主题和关切.

主要方法:

• 从Reddit论坛r/PreCervicalCancer.中提取了4592个帖子和评论.
• 使用BERTopic将帖子分为主题,使用手动审查和LLM辅助的标题生成.
• 使用VADER进行定量情绪分析,并分析社区参与指标 (赞成票,评论).
• 在BERTopic,LLM和手动方法之间比较异常值重新分配的准确性.

主要成果:

• BERTopic精确地将帖子分为10个主题,准确率为88.0%.
• 对于80.0%的主题,GPT-4o mini生成了适当的主题标题.
• 患者的主要担忧包括手术 (如LEEP) 的身体和心理影响,结果焦虑以及医疗护理导航挑战.
• 社区评论的负面情绪低于帖子,表明了有利的环境.

结论:

• 经过验证的NLP工具可以准确地分析大量与癌前宫疾病相关的社交媒体数据.
• 自动化方法,在最小的人类监督下,为患者的经验和担忧提供了宝贵的见解.
• 这种方法为了解患者的观点使用非传统数据源开辟了新的途径.