論文の概要: Crowdsourcing-Based Knowledge Graph Construction for Drug Side Effects Using Large Language Models with an Application on Semaglutide

• arxiv url: http://arxiv.org/abs/2504.04346v1
• Date: Sun, 06 Apr 2025 03:47:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-08 14:10:08.135742
• Title: Crowdsourcing-Based Knowledge Graph Construction for Drug Side Effects Using Large Language Models with an Application on Semaglutide
• Title（参考訳）: 大規模言語モデルを用いた薬物副作用のクラウドソーシングに基づく知識グラフ構築とセマグルチドへの応用
• Authors: Zhijie Duan, Kai Wei, Zhaoqian Xue, Lingyao li, Jin Jin, Shu Yang, Jiayan Zhou, Siyuan Ma,
• Abstract要約: ソーシャルメディアは、薬物移動のための貴重な患者体験情報をキャプチャする、現実世界の豊富なデータ源である。 大規模言語モデル(LLM)を利用して、ソーシャルメディアから薬物副作用を抽出し、それらを知識グラフ(KG)に整理するフレームワークを提案する。 構築した知識グラフを用いて、様々なセマグルチドブランドにまたがる報告された副作用を経時的に分析する。
• 参考スコア（独自算出の注目度）: 8.621699521476371
• License:
• Abstract: Social media is a rich source of real-world data that captures valuable patient experience information for pharmacovigilance. However, mining data from unstructured and noisy social media content remains a challenging task. We present a systematic framework that leverages large language models (LLMs) to extract medication side effects from social media and organize them into a knowledge graph (KG). We apply this framework to semaglutide for weight loss using data from Reddit. Using the constructed knowledge graph, we perform comprehensive analyses to investigate reported side effects across different semaglutide brands over time. These findings are further validated through comparison with adverse events reported in the FAERS database, providing important patient-centered insights into semaglutide's side effects that complement its safety profile and current knowledge base of semaglutide for both healthcare professionals and patients. Our work demonstrates the feasibility of using LLMs to transform social media data into structured KGs for pharmacovigilance.
• Abstract（参考訳）: ソーシャルメディアは、薬物移動のための貴重な患者体験情報をキャプチャする、現実世界の豊富なデータ源である。 しかし、構造化されていない、騒がしいソーシャルメディアコンテンツからデータをマイニングすることは難しい課題である。 本稿では,大規模言語モデル(LLM)を利用してソーシャルメディアから薬物副作用を抽出し,それらを知識グラフ(KG)に整理する手法を提案する。 我々はこのフレームワークをRedditのデータを用いて減量のためにセマグルタイドに適用する。 構築した知識グラフを用いて、様々なセマグルチドブランドにまたがる報告された副作用を経時的に分析する。 これらの知見は、FAERSデータベースで報告された有害事象と比較してさらに検証され、セマグルチドの安全性プロファイルと現在のセマグルチドの知識基盤を補完するセマグルチドの副作用に関する重要な患者中心の知見を提供する。 本研究は, LLMを用いてソーシャルメディアデータを構造化KGに変換し, 医薬の操作性を高めることの実現可能性を示す。

関連論文リスト

• Self-Supervised Learning for Graph-Structured Data in Healthcare Applications: A Comprehensive Review [1.5778541636044452]
  このレビューは、医療におけるグラフ構造化データに自己教師付き学習(SSL)を活用することを目指す研究者と実践者の両方にとって、貴重なリソースになることを目的としている。 私たちの知る限りでは、この研究は、医療におけるグラフデータに適用されたSSLに関する文献の包括的なレビューとして、初めてのものである。
  論文  参考訳（メタデータ） (2024-11-28T10:51:12Z)
• Enhancing Adverse Drug Event Detection with Multimodal Dataset: Corpus Creation and Model Development [12.258245804049114]
  有害薬物イベント(ADEs)の採掘は、患者の安全性を高めるために薬物移動において重要な役割を担っている。 従来のADE検出方法は信頼性が高いが遅く、大規模な操作に容易に適応できない。 以前のADE鉱業研究は、視覚的な手がかりを見越して、テキストベースの方法論に焦点を当ててきた。 我々は、ADE関連テキスト情報を視覚支援と組み合わせたMMADE(MultiModal Adverse Drug Event)検出データセットを提案する。
  論文  参考訳（メタデータ） (2024-05-24T17:58:42Z)
• 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)
• myAURA: Personalized health library for epilepsy management via knowledge graph sparsification and visualization [4.25313339005458]
  myAURAは、てんかん患者、介護者、そして研究者がケアや自己管理に関する決定を下すのを助けるために設計されたアプリケーションです。 MyAURAは、生体医学データベース、ソーシャルメディア、電子健康記録などのてんかんに関連する異種データ資源の連合に依存している。
  論文  参考訳（メタデータ） (2024-05-08T17:24:24Z)
• Eye-gaze Guided Multi-modal Alignment for Medical Representation Learning [65.54680361074882]
  アイゲイズガイドマルチモーダルアライメント(EGMA)フレームワークは、アイゲイズデータを利用して、医用視覚的特徴とテキスト的特徴のアライメントを改善する。 我々は4つの医療データセット上で画像分類と画像テキスト検索の下流タスクを行う。
  論文  参考訳（メタデータ） (2024-03-19T03:59:14Z)
• Dynamic Graph Enhanced Contrastive Learning for Chest X-ray Report Generation [92.73584302508907]
  コントラスト学習を用いた医療レポート作成を支援するために,動的構造とノードを持つ知識グラフを提案する。 詳しくは、グラフの基本構造は一般知識から事前構築される。 各イメージ機能は、レポート生成のためにデコーダモジュールに入力する前に、独自の更新グラフに統合される。
  論文  参考訳（メタデータ） (2023-03-18T03:53:43Z)
• Does Synthetic Data Generation of LLMs Help Clinical Text Mining? [51.205078179427645]
  臨床テキストマイニングにおけるOpenAIのChatGPTの可能性を検討する。 本稿では,高品質な合成データを大量に生成する新たな学習パラダイムを提案する。 提案手法により,下流タスクの性能が大幅に向上した。
  論文  参考訳（メタデータ） (2023-03-08T03:56:31Z)
• Is More Data All You Need? A Causal Exploration [4.756600446882457]
  因果分析は、医療や経済学において、行動や政策の影響についての洞察を得るためにしばしば用いられる。 本稿では,データセット介入が画像分類モデルの出力に与える影響について検討する。
  論文  参考訳（メタデータ） (2022-06-06T08:02:54Z)
• HINT: Hierarchical Interaction Network for Trial Outcome Prediction Leveraging Web Data [56.53715632642495]
  臨床試験は、有効性、安全性、または患者採用の問題により、不確実な結果に直面する。 本稿では,より一般的な臨床試験結果予測のための階層型Interaction Network(HINT)を提案する。
  論文  参考訳（メタデータ） (2021-02-08T15:09:07Z)
• MET: Multimodal Perception of Engagement for Telehealth [52.54282887530756]
  ビデオから人間のエンゲージメントレベルを知覚する学習ベースアルゴリズムMETを提案する。 我々はメンタルヘルス患者のエンゲージメント検出のための新しいデータセットMEDICAをリリースした。
  論文  参考訳（メタデータ） (2020-11-17T15:18:38Z)
• Assessing the Severity of Health States based on Social Media Posts [62.52087340582502]
  ユーザの健康状態の重症度を評価するために,テキストコンテンツとコンテキスト情報の両方をモデル化する多視点学習フレームワークを提案する。 多様なNLUビューは、ユーザの健康を評価するために、タスクと個々の疾患の両方に効果を示す。
  論文  参考訳（メタデータ） (2020-09-21T03:45:14Z)

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。