自动化阿片类药物使用风险评估:在社交媒体数据上使用预训练过的变压器进行分析

科学领域:

• 计算语言学计算语言学
• 公共卫生信息学 公共卫生信息学
• 机器学习用于医疗保健

背景情况:

• 在全球范围内,阿片类药物流行病导致了显著的死亡率和成.
• 需要自动化工具来更快地检测过量和评估风险.
• 像Reddit这样的社交媒体平台提供了关于阿片类药物滥用的有价值的自我报告数据.

研究的目的:

• 开发一个用于检测阿片类药物过量风险的自动化系统.
• 使用社交媒体帖子将物质分类为高风险或低风险.
• 加强早期干预和减少危害的战略.

主要方法:

• 从Reddit帖子中构建并手动注释了一个新的数据集.
• 使用了BioBERT (生物医学文本挖掘转换器的双向编码器表示) 模型,并增强了自定义的注意力机制.
• 使用5倍交叉验证评估性能,并与基线模型进行比较,包括XGBoost (极端梯度提升).

主要成果:

• 具有定制注意力的BioBERT模型获得了0.99 F1得分,超过了最佳基线 (XGBoost为0.97).
• 一个配对的t测试证实了统计学上显著的性能改善 (P=.003).
• 该模型展示了强大而准确的过量剂量风险检测能力.

结论:

• 社交媒体数据与先进的NLP模型相结合,可以创建有效的阿片类药物过量检测系统.
• 具有定制注意力的BioBERT模型为实时干预提供了最先进的性能.
• 这项技术支持在阿片类药物危机中及时减少危害的努力.