論文の概要: When Curiosity Signals Danger: Predicting Health Crises Through Online Medication Inquiries

• arxiv url: http://arxiv.org/abs/2509.11802v1
• Date: Mon, 15 Sep 2025 11:31:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:23.252664
• Title: When Curiosity Signals Danger: Predicting Health Crises Through Online Medication Inquiries
• Title（参考訳）: 好奇心が危険を知らせる:オンラインメディケイト調査による健康危機予測
• Authors: Dvora Goncharok, Arbel Shifman, Alexander Apartsin, Yehudit Aperstein,
• Abstract要約: 本研究は,オンラインフォーラムから抽出した薬物関連質問の注釈付きデータセットについて紹介する。 各エントリは、臨床リスク要因に基づいた臨界度を手動でラベル付けする。 結果は、リアルタイムトリアージとアラートシステムをサポートする古典的および近代的な手法の可能性を強調している。
• 参考スコア（独自算出の注目度）: 40.12543056558646
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Online medical forums are a rich and underutilized source of insight into patient concerns, especially regarding medication use. Some of the many questions users pose may signal confusion, misuse, or even the early warning signs of a developing health crisis. Detecting these critical questions that may precede severe adverse events or life-threatening complications is vital for timely intervention and improving patient safety. This study introduces a novel annotated dataset of medication-related questions extracted from online forums. Each entry is manually labelled for criticality based on clinical risk factors. We benchmark the performance of six traditional machine learning classifiers using TF-IDF textual representations, alongside three state-of-the-art large language model (LLM)-based classification approaches that leverage deep contextual understanding. Our results highlight the potential of classical and modern methods to support real-time triage and alert systems in digital health spaces. The curated dataset is made publicly available to encourage further research at the intersection of patient-generated data, natural language processing, and early warning systems for critical health events. The dataset and benchmark are available at: https://github.com/Dvora-coder/LLM-Medication-QA-Risk-Classifier-MediGuard.
• Abstract（参考訳）: オンライン医療フォーラムは、特に薬物使用に関して、患者の関心事に対する洞察の豊かで未利用な情報源である。 ユーザーが提示する多くの質問の中には、混乱や誤用、あるいは発展途上の健康危機の早期警告の兆候を示唆するものもある。 重篤な有害事象や致命的な合併症に先行するこれらの重要な問題を検出することは、タイムリーな介入と患者の安全性向上に不可欠である。 本研究は,オンラインフォーラムから抽出した薬物関連質問の注釈付きデータセットについて紹介する。 各エントリは、臨床リスク要因に基づいた臨界度を手動でラベル付けする。 TF-IDFテキスト表現を用いた6つの従来の機械学習分類器の性能を3つの最先端の大規模言語モデル(LLM)に基づく分類手法とともに評価した。 本研究は,デジタルヘルス空間におけるリアルタイムトリアージとアラートシステムをサポートする,古典的,近代的手法の可能性を明らかにするものである。 キュレートされたデータセットは公開されており、患者が生成したデータ、自然言語処理、および重要な健康イベントに対する早期警告システムの交差点でのさらなる研究を奨励している。 データセットとベンチマークは以下の通りである。 https://github.com/Dvora-coder/LLM-Medication-QA-Risk-Classifier-MediGuard。

関連論文リスト

• RSD-15K: A Large-Scale User-Level Annotated Dataset for Suicide Risk Detection on Social Media [0.0]
  ソーシャルメディアは、個人が感情を表現し助けを求めるための重要なプラットフォームである。 本稿では,15,000件のユーザレベルの投稿を含む大規模データセットを提案する。 既存のデータセットと比較すると、このデータセットは完全なユーザ投稿時間シーケンス情報を保持する。
  論文  参考訳（メタデータ） (2025-07-14T09:26:26Z)
• Privacy-Aware, Public-Aligned: Embedding Risk Detection and Public Values into Scalable Clinical Text De-Identification for Trusted Research Environments [0.0]
  直接的および間接的識別子がレコードタイプ,臨床設定,データフローによってどのように変化するかを示し,ドキュメントの実践の変化が時間とともにモデルのパフォーマンスを低下させるかを示す。 われわれの調査結果は、プライバシーリスクは文脈に依存し、累積的であり、適応的でハイブリッドな非識別アプローチの必要性を強調している。
  論文  参考訳（メタデータ） (2025-06-01T17:45:57Z)
• Uncertainty-aware abstention in medical diagnosis based on medical texts [87.88110503208016]
  本研究は,AI支援医療診断における信頼性の重要課題について論じる。 本研究は,診断に自信がなければ,診断システムによる意思決定の回避を可能にする選択予測手法に焦点をあてる。 我々は、選択予測タスクにおける信頼性を高めるための新しい最先端手法であるHUQ-2を紹介する。
  論文  参考訳（メタデータ） (2025-02-25T10:15:21Z)
• Confidential and Protected Disease Classifier using Fully Homomorphic Encryption [0.09424565541639365]
  多くのユーザーは、病気のために医療専門家に相談する前に、ChatGPTやBardのようなプラットフォームで潜在的な原因を探している。 このようなプラットフォームの利便性にもかかわらず、個人医療データをオンラインで共有することは、悪意のあるプラットフォームの存在を含むリスクを引き起こす。 安全かつプライベートな診断システムのためのFHEとDeep Learningを組み合わせた新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-05T02:10:00Z)
• Uncertainty-aware Medical Diagnostic Phrase Identification and Grounding [72.18719355481052]
  MRG(Messical Report Grounding)と呼ばれる新しい課題について紹介する。 MRGは医療報告から診断フレーズとその対応する接地箱を直接エンドツーエンドで識別することを目的としている。 マルチモーダルな大規模言語モデルを用いて診断フレーズを予測する,堅牢で信頼性の高いフレームワークである uMedGround を提案する。
  論文  参考訳（メタデータ） (2024-04-10T07:41:35Z)
• Informing clinical assessment by contextualizing post-hoc explanations of risk prediction models in type-2 diabetes [50.8044927215346]
  本研究は, 合併症リスク予測のシナリオを考察し, 患者の臨床状態に関する文脈に焦点を当てる。 我々は、リスク予測モデル推論に関する文脈を提示し、その受容性を評価するために、最先端のLLMをいくつか採用する。 本論文は,実世界における臨床症例における文脈説明の有効性と有用性を明らかにする最初のエンドツーエンド分析の1つである。
  論文  参考訳（メタデータ） (2023-02-11T18:07:11Z)
• Federated Learning for Medical Applications: A Taxonomy, Current Trends, Challenges, and Future Research Directions [9.662980267339375]
  我々は, acFLの医学的応用, 特にグローバル癌診断の文脈に焦点をあてる。 acFLの最近の発展により、複雑な機械学習モデルを分散的に訓練することが可能になった。
  論文  参考訳（メタデータ） (2022-08-05T21:41:15Z)
• Classifying Cyber-Risky Clinical Notes by Employing Natural Language Processing [9.77063694539068]
  近年、アメリカ合衆国内の一部の州では、患者が臨床ノートに自由にアクセスできるように求めている。 本研究は,臨床ノートにおけるセキュリティ・プライバシリスクの特定方法について検討する。
  論文  参考訳（メタデータ） (2022-03-24T00:36:59Z)
• BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
  本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。 エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。 実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
  論文  参考訳（メタデータ） (2020-09-24T00:42:36Z)

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。