論文の概要: Classifying patient voice in social media data using neural networks: A comparison of AI models on different data sources and therapeutic domains

• arxiv url: http://arxiv.org/abs/2312.03747v1
• Date: Thu, 30 Nov 2023 18:35:24 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-11 02:56:34.230436
• Title: Classifying patient voice in social media data using neural networks: A comparison of AI models on different data sources and therapeutic domains
• Title（参考訳）: ニューラルネットワークを用いたソーシャルメディアデータ中の患者音声の分類:異なるデータソースと治療領域におけるAIモデルの比較
• Authors: Giorgos Lysandrou, Roma English Owen, Vanja Popovic, Grant Le Brun, Beatrice Alex, Elizabeth A. L. Fairley
• Abstract要約: ソーシャルメディアプラットフォームとメッセージボードは、患者体験情報の適切な情報源と考えられている。 本稿では,全てのオンライン患者体験情報を同じように扱うことはできないという仮説を検証した。
• 参考スコア（独自算出の注目度）: 0.5271473659623619
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: It is essential that healthcare professionals and members of the healthcare community can access and easily understand patient experiences in the real world, so that care standards can be improved and driven towards personalised drug treatment. Social media platforms and message boards are deemed suitable sources of patient experience information, as patients have been observed to discuss and exchange knowledge, look for and provide support online. This paper tests the hypothesis that not all online patient experience information can be treated and collected in the same way, as a result of the inherent differences in the way individuals talk about their journeys, in different therapeutic domains and or data sources. We used linguistic analysis to understand and identify similarities between datasets, across patient language, between data sources (Reddit, SocialGist) and therapeutic domains (cardiovascular, oncology, immunology, neurology). We detected common vocabulary used by patients in the same therapeutic domain across data sources, except for immunology patients, who use unique vocabulary between the two data sources, and compared to all other datasets. We combined linguistically similar datasets to train classifiers (CNN, transformer) to accurately identify patient experience posts from social media, a task we refer to as patient voice classification. The cardiovascular and neurology transformer classifiers perform the best in their respective comparisons for the Reddit data source, achieving F1-scores of 0.865 and 1.0 respectively. The overall best performing classifier is the transformer classifier trained on all data collected for this experiment, achieving F1-scores ranging between 0.863 and 0.995 across all therapeutic domain and data source specific test datasets.
• Abstract（参考訳）: 医療専門家や医療コミュニティのメンバーは、実世界での患者体験にアクセスし、容易に理解し、ケア標準を改善し、パーソナライズされた薬物治療に向けて推進することが不可欠である。 ソーシャルメディアプラットフォームとメッセージボードは、患者が知識を議論したり、交換したり、オンラインで支援したりするために観察され、患者体験情報の適切な情報源とみなされている。 本論文は, 個人が旅行, 異なる治療領域, あるいはデータソースで話す方法に固有の違いがあるとして, すべてのオンライン患者体験情報を同じように扱ったり収集したりできるわけではないという仮説を検証した。 言語分析を用いて, 患者言語間, データソース(reddit, socialgist)と治療領域(心血管系, 腫瘍学, 免疫学, 神経学)の類似性を理解し, 同定した。 同一治療領域の患者が用いた共通語彙は,2つのデータソース間の独自の語彙を用いて,他のすべてのデータセットと比較した免疫学的患者を除いて検出した。 言語学的に類似したデータセットをトレーニング分類器(CNN, Transformer)と組み合わせて,ソーシャルメディアからの患者体験投稿を正確に識別する。 心臓血管と神経学のトランスフォーマー分類器は、Redditのデータソースの比較において、それぞれ0.865と1.0のF1スコアを達成している。 全体として最高のパフォーマンスの分類器は、この実験のために収集されたすべてのデータに基づいて訓練されたトランスフォーマー分類器であり、全ての治療領域とデータソース固有のテストデータセットで0.863から0.995までのF1スコアを達成する。

関連論文リスト

• A Comparative Study on Patient Language across Therapeutic Domains for Effective Patient Voice Classification in Online Health Discussions [0.48124799513933847]
  本研究では,患者音声の正確な分類における言語的特徴の重要性を分析する。 我々は、類似した言語パターンと組み合わせたデータセットに基づいて事前学習した言語モデルを微調整し、高い精度で患者音声を自動分類した。 この話題の先駆的な研究として、ソーシャルメディアから真正の患者体験を抽出することに注力することは、医療基準の進歩に向けた重要なステップである。
  論文  参考訳（メタデータ） (2024-07-23T15:51:46Z)
• WellFactor: Patient Profiling using Integrative Embedding of Healthcare Data [2.370296071691569]
  WellFactorは、異なるソースの情報を統合することで、患者のプロファイルを導出する手法である。 WellFactorは、しばしば医療データに固有の空間を扱うように最適化されている。 分類性能の他の手法と比較すると、より良い結果が得られる。
  論文  参考訳（メタデータ） (2023-12-21T18:49:22Z)
• Radiology Report Generation Using Transformers Conditioned with Non-imaging Data [55.17268696112258]
  本稿では,胸部X線画像と関連する患者の人口統計情報を統合したマルチモーダルトランスフォーマーネットワークを提案する。 提案ネットワークは、畳み込みニューラルネットワークを用いて、CXRから視覚的特徴を抽出し、その視覚的特徴と患者の人口統計情報のセマンティックテキスト埋め込みを組み合わせたトランスフォーマーベースのエンコーダデコーダネットワークである。
  論文  参考訳（メタデータ） (2023-11-18T14:52:26Z)
• MedNgage: A Dataset for Understanding Engagement in Patient-Nurse Conversations [4.847266237348932]
  症状を効果的に管理する患者は、医療従事者との会話や介入において、より高いレベルのエンゲージメントを示すことが多い。 AIシステムは、患者と実践者との自然な会話におけるエンゲージメントを理解して、患者のケアにもっと貢献することが不可欠である。 本稿では,がん症状管理に関する患者と看護者の会話をまとめた新しいデータセット(MedNgage)を提案する。
  論文  参考訳（メタデータ） (2023-05-31T16:06:07Z)
• sEHR-CE: Language modelling of structured EHR data for efficient and generalizable patient cohort expansion [0.0]
  sEHR-CEは、異種臨床データセットの統合表現型化と分析を可能にするトランスフォーマーに基づく新しいフレームワークである。 大規模研究である英国バイオバンクのプライマリ・セカンダリ・ケアデータを用いてアプローチを検証する。
  論文  参考訳（メタデータ） (2022-11-30T16:00:43Z)
• When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning Framework in Classification of Medical Images on Limited Data: A COVID-19 Case Study [77.34726150561087]
  新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。 CNNは医療画像の解析に広く利用され、検証されている。
  論文  参考訳（メタデータ） (2022-03-24T02:09:41Z)
• 2021 BEETL Competition: Advancing Transfer Learning for Subject Independence & Heterogenous EEG Data Sets [89.84774119537087]
  我々は、診断とBCI(Brain-Computer-Interface)に関する2つの伝達学習課題を設計する。 第1タスクは、患者全体にわたる自動睡眠ステージアノテーションに対処する医療診断に重点を置いている。 タスク2はBrain-Computer Interface (BCI)に集中しており、被験者とデータセットの両方にわたる運動画像のデコードに対処する。
  論文  参考訳（メタデータ） (2022-02-14T12:12:20Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• Deep learning-based COVID-19 pneumonia classification using chest CT images: model generalizability [54.86482395312936]
  深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。 我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。 複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
  論文  参考訳（メタデータ） (2021-02-18T21:14:52Z)
• Domain Generalization for Medical Imaging Classification with Linear-Dependency Regularization [59.5104563755095]
  本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。 医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
  論文  参考訳（メタデータ） (2020-09-27T12:30:30Z)
• Real-World Multi-Domain Data Applications for Generalizations to Clinical Settings [1.508558791031741]
  ディープラーニングモデルは、臨床試験のような人工的な設定から標準化されたデータセットでトレーニングされた場合、うまく機能する。 マルチドメイン実世界のデータセットに転送学習を用いた自己教師型アプローチを用いることで、標準化されたデータセットに対して16%の相対的改善が達成できることを示す。
  論文  参考訳（メタデータ） (2020-07-24T17:41:23Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。