論文の概要: Curation and Extraction of Drug-Related Entities from Reddit Platform

• arxiv url: http://arxiv.org/abs/2605.26445v1
• Date: Wed, 08 Apr 2026 05:05:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 07:09:36.496402
• Title: Curation and Extraction of Drug-Related Entities from Reddit Platform
• Title（参考訳）: Redditプラットフォームからの薬物関連物質のキュレーションと抽出
• Authors: Zewei Wang, Zihan Xu, Yishu Wei, Michael Chary, Yifan Peng,
• Abstract要約: 物質使用に関するReddit投稿6,435件のデータセットであるReDoseを紹介した。 ボード認証された毒性学者は、主にトレーニングセットとテストセットの両方に注釈を付けた。 BERTベースの大規模言語モデル(LLM)とRetrieval-Augmented Generation(RAG)モデルを用いて6,267のアノテーションをベンチマークした。
• 参考スコア（独自算出の注目度）: 12.718020016122908
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Physicians learn primarily about illicit drugs from clinical overdose cases, limiting their understanding of real-world usage. Meanwhile, drug users share first-hand experiences online, offering insights into dosage and effects of drugs. To bridge this gap, we introduce ReDose (REddit Drug DOSe and Effect), a dataset of 6,435 Reddit posts on substance use. A board-certified toxicologist primarily annotated both the training and test sets, while two medical science students contributed to the test set, labeling DRUG, DOSE, and EFFECT entities. We benchmarked 6,267 annotations using BERT-based, large language model (LLM)-based, and Retrieval-Augmented Generation (RAG) models. BiomedBERT achieved an F1-score of 0.843 for DRUG, while Llama-3 70B outperformed GPT-4 (F1 = 0.79 vs. 0.72). EFFECT extraction remains challenging, with GPT-4 achieving a recall of 0.41. ReDose captures patient-curated narratives to advance medical data extraction from social media.
• Abstract（参考訳）: 医師は、主に違法薬物について臨床的過剰摂取例から学び、現実世界の使用についての理解を制限している。 一方、薬物使用者はオンラインで直接体験を共有し、薬物の服用や効果に関する洞察を提供する。 このギャップを埋めるために、物質使用に関する6,435件のReddit投稿のデータセットであるReDose(Reddit Drug DOSe and Effect)を紹介します。 ボード認証された毒性学者はトレーニングセットとテストセットの両方に注釈を付け、一方2人の医学生はDRUG、DOSE、エフェクトエンティティをラベル付けしてテストセットに貢献した。 BERTベースの大規模言語モデル(LLM)とRetrieval-Augmented Generation(RAG)モデルを用いて6,267のアノテーションをベンチマークした。 BiomedBERTはDRUGのF1スコア0.843を達成し、Llama-3 70BはGPT-4(F1 = 0.79 vs. 0.72)を上回った。 効果抽出は依然として困難であり、GPT-4は0.41のリコールを達成している。 ReDoseは、患者の治療を受けた物語を捉え、ソーシャルメディアから医療データを抽出する。

関連論文リスト

• CDrugRed: A Chinese Drug Recommendation Dataset for Discharge Medications in Metabolic Diseases [49.09102662968899]
  メタボリックな疾患の治療薬の排出を目的とした,中国初の医薬品推奨データセットであるCDrugRedを提示する。 データセットには3,190人の患者から5,894件の未確認記録が含まれており、患者の人口統計、医療史、臨床経過、退院診断などの包括的情報を含んでいる。 退院医薬品推奨タスクにおいて,いくつかの最先端の大規模言語モデル (LLM) をベンチマークすることでCDrugRedの有用性を評価する。
  論文  参考訳（メタデータ） (2025-10-24T01:47:23Z)
• Large language models management of medications: three performance analyses [9.12176336117872]
  GPT 4oは3つの薬物管理タスクで試験された。 薬物製剤マッチングの最初の課題として、GPT-4oは、すべての利用可能な製剤に適合するジェネリック医薬品の精度が49%であった。 薬物と薬物の相互作用を識別する第2のタスクでは、DDIペアを識別する精度は54.7%であった。
  論文  参考訳（メタデータ） (2025-09-26T20:51:48Z)
• A Weak Supervision Approach for Monitoring Recreational Drug Use Effects in Social Media [35.18016233072556]
  我々は、ソーシャルメディア(特にTwitter)を、エキスタシー、GHB、および2C-Bという3つの新しい精神活性物質に関連する、ユーザーによって報告された効果のリッチで未報告の源として活用する。 MetaMapによるバイオメディカルな概念抽出とスラング用語のキュレートされたリストを組み合わせることで、これらの物質に言及する92,000以上のツイートを特定し、弱く注釈づけした。
  論文  参考訳（メタデータ） (2025-09-18T09:42:42Z)
• Improving Large Language Models for Clinical Named Entity Recognition via Prompt Engineering [20.534197056683695]
  本研究は,臨床名付きエンティティ認識(NER)タスクにおける GPT-3.5 と GPT-4 の能力を定量化する。 我々は,ベースラインプロンプト,アノテーションガイドラインに基づくプロンプト,エラー解析に基づく命令,アノテーション付きサンプルを含むタスク固有のプロンプトフレームワークを開発した。 それぞれのプロンプトの有効性を評価し,BioClinicalBERTと比較した。
  論文  参考訳（メタデータ） (2023-03-29T02:46:18Z)
• Neural Bandits for Data Mining: Searching for Dangerous Polypharmacy [63.135687276599114]
  一部の多薬局は、不適切とみなされており、死亡や入院などの健康上の有害な結果に関係している可能性がある。 我々は、クレームデータセットを効率的にマイニングし、薬物の組み合わせと健康結果の関係の予測モデルを構築するためのOptimNeuralTS戦略を提案する。 提案手法では,最大72%のPIPを検出でき,平均精度は99%であり,30000タイムステップで検出できる。
  論文  参考訳（メタデータ） (2022-12-10T03:43:23Z)
• 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)
• Deep learning for drug repurposing: methods, databases, and applications [54.08583498324774]
  新しい治療法のために既存の薬物を再利用することは、実験コストの低減で薬物開発を加速する魅力的な解決策である。 本稿では,薬物再資源化のための深層学習手法とツールの活用に関するガイドラインを紹介する。
  論文  参考訳（メタデータ） (2022-02-08T09:42:08Z)
• SafeDrug: Dual Molecular Graph Encoders for Safe Drug Recommendations [59.590084937600764]
  医薬品の分子構造とDDIのモデルを明確に活用するために、SafeDrugというDDI制御可能な薬物推奨モデルを提案する。 ベンチマークデータセットでは、SafeDrugはDDIを19.43%削減し、Jaccardの推奨薬物と実際に処方された薬物の組み合わせの2.88%を改善します。
  論文  参考訳（メタデータ） (2021-05-05T00:20:48Z)
• Extracting Adverse Drug Events from Clinical Notes [1.6244541005112747]
  有害薬物イベント(ADEs)は、薬物または薬物の投与によって引き起こされる予期せぬ出来事です。 本稿では, 関連抽出手法を用いて, 薬物とその関連属性との関係を検討する。
  論文  参考訳（メタデータ） (2021-04-21T23:10:20Z)
• Two Step Joint Model for Drug Drug Interaction Extraction [82.49278654043577]
  薬物と薬物の相互作用 (DDI) テキスト分析会議 (TAC) 2018における薬物ラベルからの抽出 本稿では,DDI検出のための2段階関節モデルを提案する。 シーケンスタギングシステム(CNN-GRUエンコーダデコーダ)は、まず沈殿剤を発見し、その微細なトリガーを探索し、第2ステップで沈殿剤毎のDDIを決定する。
  論文  参考訳（メタデータ） (2020-08-28T15:30:08Z)

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。