論文の概要: "Hey..! This medicine made me sick": Sentiment Analysis of User-Generated Drug Reviews using Machine Learning Techniques
- arxiv url: http://arxiv.org/abs/2404.13057v1
- Date: Tue, 9 Apr 2024 08:42:34 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-28 11:25:01.615200
- Title: "Hey..! This medicine made me sick": Sentiment Analysis of User-Generated Drug Reviews using Machine Learning Techniques
- Title（参考訳）: 「Hey.!この薬で病気になった」:機械学習を用いたユーザ生成医薬品レビューの感性分析
- Authors: Abhiram B. Nair, Abhinand K., Anamika U., Denil Tom Jaison, Ajitha V., V. S. Anoop,
- Abstract要約: 本研究は、特定の薬物に関するユーザレビューを、ポジティブ、ネガティブ、中立などの異なるクラスに分類する薬物レビュー分類システムを提案する。
収集されたデータは手動でラベル付けされ、ラベルが正しいことを保証するために手動で検証される。
- 参考スコア（独自算出の注目度）: 2.2874754079405535
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Sentiment analysis has become increasingly important in healthcare, especially in the biomedical and pharmaceutical fields. The data generated by the general public on the effectiveness, side effects, and adverse drug reactions are goldmines for different agencies and medicine producers to understand the concerns and reactions of people. Despite the challenge of obtaining datasets on drug-related problems, sentiment analysis on this topic would be a significant boon to the field. This project proposes a drug review classification system that classifies user reviews on a particular drug into different classes, such as positive, negative, and neutral. This approach uses a dataset that is collected from publicly available sources containing drug reviews, such as drugs.com. The collected data is manually labeled and verified manually to ensure that the labels are correct. Three pre-trained language models, such as BERT, SciBERT, and BioBERT, are used to obtain embeddings, which were later used as features to different machine learning classifiers such as decision trees, support vector machines, random forests, and also deep learning algorithms such as recurrent neural networks. The performance of these classifiers is quantified using precision, recall, and f1-score, and the results show that the proposed approaches are useful in analyzing the sentiments of people on different drugs.
- Abstract（参考訳）: 感覚分析は医療、特にバイオメディカルおよび医薬品分野においてますます重要になっている。
一般大衆が生み出した、効果、副作用、有害薬物反応に関するデータは、人々の関心事や反応を理解するための様々な機関や医療従事者にとっての金鉱である。
薬物関連問題に関するデータセットを取得するという課題にもかかわらず、この話題に関する感情分析はこの分野にとって大きな恩恵となるだろう。
本研究は、特定の薬物に関するユーザレビューを、ポジティブ、ネガティブ、中立などの異なるクラスに分類する薬物レビュー分類システムを提案する。
このアプローチでは、ドラッグ.comのような薬物レビューを含む公開されているソースから収集されるデータセットを使用する。
収集されたデータは手動でラベル付けされ、ラベルが正しいことを保証するために手動で検証される。
BERT(英語版)、SciBERT(英語版)、BioBERT(英語版)などの事前訓練された3つの言語モデルは、後に決定木、サポートベクターマシン、ランダムフォレスト、およびリカレントニューラルネットワークのようなディープラーニングアルゴリズムのような異なる機械学習分類器の機能として使用された埋め込みを得るために使用される。
これらの分類器の性能は、精度、リコール、f1スコアを用いて定量化され、提案手法は、異なる薬物に関する人々の感情を分析するのに有用であることを示す。
関連論文リスト
- Reddit-Impacts: A Named Entity Recognition Dataset for Analyzing Clinical and Social Effects of Substance Use Derived from Social Media [6.138126219622993]
物質利用障害(SUD)は、データ駆動研究を通じて、問題とそのトレンドの理解を深める必要がある、世界的な関心事である。
ソーシャルメディアは、SUDに関するユニークな重要な情報源であり、特にそのような情報源のデータは、生きた経験を持つ人々によってしばしば生成されるためである。
本稿では,処方と違法なオピオイド,およびオピオイド使用障害の薬物に関する議論を専門とするサブレディットからキュレートされた,難解な名前付きエンティティ認識(NER)データセットであるReddit-Impactsを紹介する。
このデータセットは、研究の少ないが重要な、物質利用の側面に特に焦点を絞っている。
論文 参考訳（メタデータ） (2024-05-09T23:43:57Z) - Emerging Drug Interaction Prediction Enabled by Flow-based Graph Neural
Network with Biomedical Network [69.16939798838159]
本稿では,新興医薬品の相互作用を効果的に予測できるグラフニューラルネットワーク(GNN)であるEmerGNNを提案する。
EmerGNNは、薬物ペア間の経路を抽出し、ある薬物から他の薬物へ情報を伝達し、関連する生物学的概念を経路に組み込むことで、薬物のペアワイズ表現を学習する。
全体として、EmerGNNは、新興薬物の相互作用を予測する既存のアプローチよりも精度が高く、バイオメディカルネットワーク上で最も関連性の高い情報を特定できる。
論文 参考訳（メタデータ） (2023-11-15T06:34:00Z) - Drug Synergistic Combinations Predictions via Large-Scale Pre-Training
and Graph Structure Learning [82.93806087715507]
薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。
ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。
我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
論文 参考訳（メタデータ） (2023-01-14T15:07:43Z) - Knowledge-Driven New Drug Recommendation [88.35607943144261]
既存の薬物と新薬のギャップを埋めるために, 薬物依存型マルチフェノタイプ数発学習機を開発した。
EDGEは外部薬効知識ベースを用いて偽陰性監視信号を除去する。
その結果, EDGEは, ROC-AUCスコアよりも7.3%向上していることがわかった。
論文 参考訳（メタデータ） (2022-10-11T16:07:52Z) - DrugOOD: Out-of-Distribution (OOD) Dataset Curator and Benchmark for
AI-aided Drug Discovery -- A Focus on Affinity Prediction Problems with Noise
Annotations [90.27736364704108]
我々は、AI支援薬物発見のための体系的なOODデータセットキュレーターおよびベンチマークであるTarmOODを提案する。
DrugOODには、ベンチマークプロセスを完全に自動化するオープンソースのPythonパッケージが付属している。
我々は、薬物標的結合親和性予測という、AIDDにおける最も重要な問題の1つに焦点を当てる。
論文 参考訳（メタデータ） (2022-01-24T12:32:48Z) - Selection of pseudo-annotated data for adverse drug reaction
classification across drug groups [12.259552039796027]
我々は、さまざまな薬物群にまたがる最先端のニューラルアーキテクチャの堅牢性を評価する。
そこで我々は,手動で注釈付けした列車セットに加えて,擬似ラベル付きデータを使用するためのいくつかの戦略について検討した。
論文 参考訳（メタデータ） (2021-11-24T13:11:05Z) - Discovering Drug-Target Interaction Knowledge from Biomedical Literature [107.98712673387031]
人体における薬物と標的(DTI)の相互作用は、生物医学や応用において重要な役割を担っている。
毎年何百万もの論文がバイオメディカル分野で出回っているので、文学からDTIの知識を自動的に発見することは、業界にとって急激な需要となっている。
生成的アプローチを用いて,この課題に対する最初のエンドツーエンドソリューションについて検討する。
我々はDTI三重項をシーケンスとみなし、Transformerベースのモデルを使ってエンティティや関係の詳細なアノテーションを使わずに直接生成する。
論文 参考訳（メタデータ） (2021-09-27T17:00:14Z) - Drug Recommendation System based on Sentiment Analysis of Drug Reviews
using Machine Learning [0.0]
我々は,Bow,TFIDF,Word2Vec,Manual Feature Analysisなどの様々なベクトル化プロセスを用いて,患者レビューを用いて感情を予測する医薬推薦システムを構築した。
その結果, TFIDFベクトル化を用いたLinearSVCは, 93%の精度で他のモデルよりも優れていた。
論文 参考訳（メタデータ） (2021-03-24T10:11:18Z) - A Review of Biomedical Datasets Relating to Drug Discovery: A Knowledge
Graph Perspective [4.746544835197422]
薬物発見分野に新しい技術を適用することに興味を持つ機械学習や知識グラフの実践者を支援することを目的としている。
様々な創薬中心の知識グラフの構築に適した情報を含む公開のプライマリデータソースを詳細に説明します。
論文 参考訳（メタデータ） (2021-02-19T17:49:38Z) - Neural networks for Anatomical Therapeutic Chemical (ATC) [83.73971067918333]
両方向の長期記憶ネットワーク(BiLSTM)から抽出された集合を含む、特徴の異なるセットで訓練された複数の複数ラベル分類器を組み合わせることを提案する。
実験はこのアプローチのパワーを実証し、文献で報告された最良の手法よりも優れていることを示した。
論文 参考訳（メタデータ） (2021-01-22T19:49:47Z) - Sentiment Analysis in Drug Reviews using Supervised Machine Learning
Algorithms [1.14219428942199]
我々は、テキスト形式でレビューされた様々な薬物のレビューを分析することを選んだ。
私たちは、"Birth Control"や"Depression"、"Pain"といった、最も一般的な条件でモデルをトレーニングしました。
我々の目的は主に、評価のクラスを予測する教師付き機械学習分類アルゴリズムを実装することであった。
論文 参考訳（メタデータ） (2020-03-21T20:13:11Z)
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。