通过社交媒体数据分析了解新发疾病的管道:乳房植入疾病的案例研究gydF4y2Ba

介绍gydF4y2Ba

背景gydF4y2Ba

社交媒体的无所不在导致在社交媒体平台上对新的和正在发展的疾病进行早期描述，然后才可以对其进行系统研究[gydF4y2Ba1gydF4y2Ba-gydF4y2Ba7gydF4y2Ba]，尤其是在医疗互联网时代[gydF4y2Ba8gydF4y2Ba-gydF4y2Ba14gydF4y2Ba]。社交媒体用户越来越多地转向Twitter (Twitter Inc .)、Facebook (Facebook Inc .)和YouTube (Google LLC)等平台来分享个人经历，包括他们所经历的疾病，或寻求支持和资源，如健康和医疗资源。最近的研究表明，社交媒体在检测精神疾病和抑郁症方面具有潜力[gydF4y2Ba15gydF4y2Ba-gydF4y2Ba17gydF4y2Ba]以及及早发现食源性疾病[gydF4y2Ba18gydF4y2Ba-gydF4y2Ba20.gydF4y2Ba]及其他传染病[gydF4y2Ba2gydF4y2Ba，gydF4y2Ba21gydF4y2Ba-gydF4y2Ba24gydF4y2Ba]。此外，几项研究表明，在多次流感爆发期间，社交媒体是传播有关症状、个人健康和公共卫生资源信息的有效工具[gydF4y2Ba25gydF4y2Ba-gydF4y2Ba28gydF4y2Ba]。在COVID-19的早期阶段，研究[gydF4y2Ba4gydF4y2Ba，gydF4y2Ba29gydF4y2Ba，gydF4y2Ba30.gydF4y2Ba]分析了新浪微博(中国主要的微博网站)上的帖子，以描述中国多个省份的患者症状和公众关注的问题。从对微博(微博公司)帖子的分析来看，Huang等[gydF4y2Ba30.gydF4y2Ba]得出结论，大多数受影响的病人是老年人，发烧是最常见的症状。这些研究表明，可以利用公共社交媒体数据更好地了解新出现的疾病，并及时做出反应。gydF4y2Ba

本文研究的一种新疾病是乳房植入病(BII)。在过去的20年里，隆胸手术越来越流行。gydF4y2Ba31gydF4y2Ba]。在此期间，美国每年有超过40万女性接受隆胸或乳房切除术后手术[gydF4y2Ba32gydF4y2Ba]。2017年至2018年间，隆胸手术数量增加了4%，同期隆胸手术数量增加了6% [gydF4y2Ba32gydF4y2Ba]。对隆胸植入物安全性的关注亦有所增加[gydF4y2Ba33gydF4y2Ba-gydF4y2Ba38gydF4y2Ba并坚持[gydF4y2Ba39gydF4y2Ba-gydF4y2Ba45gydF4y2Ba]。然而，尽管隆胸与全身性疾病之间的因果关系尚未得到明确的证明，一种现象被称为gydF4y2Ba隆胸病gydF4y2Ba将全身性症状归因于隆胸的研究已经出现[gydF4y2Ba46gydF4y2Ba]。然而，与其他新的医学疾病不同，医学文献中对BII的报道很少，主要局限于社交媒体[gydF4y2Ba11gydF4y2Ba，gydF4y2Ba47gydF4y2Ba-gydF4y2Ba50gydF4y2Ba]。例如，最近的一项分析[gydF4y2Ba49gydF4y2Ba根据2018年2月至2019年2月的Twitter和谷歌趋势数据显示，公众对BII的兴趣越来越大。为了总结定义BII的主要症状、疾病和障碍，一些队列研究[gydF4y2Ba51gydF4y2Ba，gydF4y2Ba52gydF4y2Ba分析了乳房移植手术前后患者报告的结果。这些研究表明，移植手术与患者群体中特定症状的改善之间存在一些潜在的关系。不幸的是，由于缺乏对照组、数据收集偏倚和缺乏随机化，这些研究设计有限，因此这些研究并不是决定性的。由于缺乏有关BII的医学知识，很难确定病情，因此几乎不可能进行严格的流行病学或临床研究。BII只是一种明显缺乏医学知识的疾病过程，但还有许多其他新疾病也是如此。任何有足够的社交媒体数据支持的初始知识对于未来的正式研究都是有意义的，因此，发现这些知识的技术是非常需要的。gydF4y2Ba

目标gydF4y2Ba

为了识别和总结一种新疾病的关键属性，在本研究中，我们构建了一个用于BII社交媒体数据分析的数据分析管道。该管道结合了自然语言处理(NLP)和主题建模方法。我们的主要目标是通过构建数据分析管道并将该管道应用于社交媒体数据，获得关于BII的新知识，这是一种在医学文献中尚未系统研究和定义的医学状况。由于关于BII的医学知识和文献尚未建立，相关概念尚未得到很好的定义或接受，使用社交媒体数据来了解新出现的问题可能是一个有意义的起点。我们应用这个管道来更好地了解与BII相关的症状和体征。据我们所知，这项研究是第一个使用社交媒体数据从社交媒体中获得BII知识的研究。这显示了利用社交媒体信息来更好地了解主要在社交媒体上报道的情况的潜力。它还确立了我们的管道的有效性及其在了解其他新疾病方面的潜在应用。在接下来的讨论中，我们描述了我们在BII上下文中的分析管道。然而，我们的产品线并非针对BII，也适用于其他疾病。gydF4y2Ba

方法gydF4y2Ba

数据gydF4y2Ba

我们从选定的社交媒体网站收集和使用数据。之所以选择这些网站，是因为它们致力于BII讨论和信息，并专注于对BII感兴趣的用户群体。通常，专门的社交媒体网站(如论坛和Twitter页面)可用于特定疾病或疾病。例如，一些专用网站[gydF4y2Ba53gydF4y2Ba-gydF4y2Ba55gydF4y2Ba]包含与不同癌症作斗争的病人的故事和经历，有些[gydF4y2Ba56gydF4y2Ba，gydF4y2Ba57gydF4y2Ba]包含用户经历慢性疼痛和疾病的帖子和故事，以及其他[gydF4y2Ba58gydF4y2Ba-gydF4y2Ba60gydF4y2Ba]包含COVID-19幸存者的故事和经历。我们研究中使用的社交媒体来源如下:gydF4y2Ba

• BII [gydF4y2Ba61gydF4y2Ba]:这是一个专门的公共网站，有关于bii相关主题的文章，并提供与种植体和外植体手术等相关的资源。该网站还允许个人发布他们对隆胸和相关健康问题的经历和担忧。我们从网站(截至2019年5月10日)提取了单个帖子，并将结果数据集称为BIIweb。gydF4y2Ba
• 治疗BII [gydF4y2Ba62gydF4y2Ba]:该网站包含关于植入后疾病、植入后愈合、乳房植入物安全性等方面的信息。这个网站的讨论板上有很多帖子和评论，关于乳房植入者或接受过乳房移植的人所经历的症状、体征等。从本网站讨论区提取的数据集(截至2019年5月10日)称为HealingBII。gydF4y2Ba
• 关于BII的Instagram帖子[gydF4y2Ba63gydF4y2Ba]:这个网站包含了一组公开可用的Instagram帖子gydF4y2BabreastimplantillnessgydF4y2Ba作为一个标签。我们提取了时间戳在2012年1月10日至2019年9月4日之间的每个Instagram帖子的相关文本。从该站点提取的数据集称为IG-BII。gydF4y2Ba

3个网站的所有评论和帖子都被纳入相应的数据集。gydF4y2Ba表1gydF4y2Ba展示了收集到的社交媒体数据的摘要。BIIweb数据集只有187篇文章(平均每篇文章有129个单词，SD为124)，但这些文章的平均长度比其他2个数据集的文章要大(文章的平均长度大于字数)。HealingBII是第二大数据集，有1920篇文章，每篇平均85个单词gydF4y2Ba_avggydF4y2Ba) (sd 107)。IG-BII是最大的数据集，有28,987篇文章，平均每篇文章123个单词(SD 113)。gydF4y2Ba

管道gydF4y2Ba

概述gydF4y2Ba

图1gydF4y2Ba显示管道的概览。我们通过以下3个步骤从数据集中提取主要与症状、疾病和医疗程序相关的主要感兴趣主题。后面将详细讨论每个步骤。第一步涉及数据预处理。我们删除了所有的停止词、数字字符、超链接、标签等，并将剩余的字符转换为小写字母。第二步是提及提取和概念映射。我们使用临床文本分析和知识提取系统(cTAKES)提取与体征、症状、疾病、失调和医疗程序相关的提及[gydF4y2Ba64gydF4y2Ba]。提取的提及进一步映射到统一医学语言系统(UMLS)中由概念唯一标识符(gui)表示的标准医学概念[gydF4y2Ba65gydF4y2Ba本体。第三步涉及主题建模。我们使用潜在狄利克雷分配(latent Dirichlet allocation, LDA)对映射到主题的概念进行了总结[gydF4y2Ba66gydF4y2Ba]。LDA是一种用于主题建模的概率生成模型。它将每个文档表示为潜在主题的混合物，其中每个主题都被建模为单词的分布。该建模包括3个阶段:(1)提及替换，(2)使用LDA进行主题建模，(3)分析和评估。在提及替换中，我们用其映射的gui替换帖子中每个提取的提及，并丢弃帖子中的所有其他单词。我们已经在本节中详细讨论了这一步骤gydF4y2Ba主题建模gydF4y2Ba．然后，在使用LDA进行主题建模时，给定映射的gui语料库，LDA生成文档-主题和主题- cui的概率分布。我们已经在本节中详细讨论了这一步骤gydF4y2Ba主题建模gydF4y2Ba．最后，在我们的分析和评估过程中，我们进一步分析了这些分布，以使用最具代表性的提及得出主题列表，并总结了每个数据集提取的提及。我们已经在本节中详细讨论了这一步骤gydF4y2Ba结果:LDA主题gydF4y2Ba．gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

数据预处理gydF4y2Ba

我们使用了自然语言工具箱标记器[gydF4y2Ba67gydF4y2Ba]来标记每个数据集的原始文本。在获得的标记中，我们使用Natural Language Toolkit英语停止词列表删除了停止词(最频繁出现的功能词，如连词、介词、限定词等)。由于停顿词在BII中很少或根本没有关于我们感兴趣的主题的信息，因此可以安全地删除它们，就像在NLP中通常所做的那样。我们还使用正则表达式匹配删除了所有数字字符、表情符号、非美国信息交换标准代码(ASCII)字符、超链接、标签和Instagram句柄，并将所有剩余的令牌转换为小写，以统一不同的大小写，以便后续处理。gydF4y2Ba

提到抽取和概念映射gydF4y2Ba

提述提取是指提取表达医学概念的单词或短语。我们使用cTAKES工具提取提及。cTAKES工具是一个开源的NLP工具，用于从非结构化临床文本中提取临床信息。从帖子中提取提及(即传达医学概念的单词或短语)，并将这些提及映射为标准医学概念。在此过程中，它还将每个提取的提及分类为5个cTAKES类别之一:体征、症状、疾病、紊乱、药物、程序和解剖;也就是说，ctake在提取提及的同时，也会自动将提及分类为5类之一。例如，在“这些年来，我的耳鸣变得越来越严重，几乎到了让人虚弱的程度”这句话中gydF4y2Ba耳鸣gydF4y2Ba作为一种提及体征和症状的范畴。下面，我们将详细讨论如何配置ctake。gydF4y2Ba

我们使用cTAKES中的快速字典查找注释器从处理过的数据中提取提及。该注释器识别和提取文本中的提及，并将其规范化为UMLS标准医学本体中的gui。将提取的提及归一化到gui中称为概念映射。UMLS本体中的每个CUI唯一地标识一个医学概念。因此，我们使用ctake将提及映射到的gui的标准医学概念来表示提取的提及。我们将注释器配置为使用精确的字符串匹配并使用all-term-persistence属性。因此，注释器可以保留所有术语，而不考虑每个术语的语义属性。例如，对于短语gydF4y2Ba背部疼痛gydF4y2Ba，注释者将注释通用术语gydF4y2Ba疼痛gydF4y2Ba以及准确的术语gydF4y2Ba背部疼痛gydF4y2Ba．我们选择使用全术语持久性属性来保留有关精确和通用医学概念的最大信息。最后，注释器将生成的注释存储在XML元数据交换(XML Metadata Interchange, XML)文件中。gydF4y2Ba

为了从xml文件中获得人类可读格式的注释，我们执行了以下步骤(gydF4y2Ba图2gydF4y2Ba）.我们使用自定义解释器来处理ctake生成的xml文件，并从ctake获取提及和gui之间的映射。我们首先搜索的是gydF4y2BaUmlsConceptgydF4y2BaXML标识符在XML文件中，其中每个gydF4y2BaUmlsConceptgydF4y2BaXML标识符通常分组在gydF4y2BaFSArraygydF4y2Ba，每个gydF4y2BaFSArraygydF4y2Ba是与单个本体概念和范畴概念相关联的。每个概念在ctake的5个类别中被划分为一个类别:体征、症状、疾病、紊乱、药物、程序和解剖。每个本体概念都进一步与UMLS CUI和uml相关联gydF4y2BaontologyConceptArrgydF4y2Ba标识符。必须注意的是，一个提及可以映射到多个gui。例如，提及gydF4y2Ba过敏反应gydF4y2Ba分为体征和症状，但映射到两个不同的gui:gydF4y2BaC1527304gydF4y2Ba和gydF4y2BaC0020517gydF4y2Ba．然后，我们提取了描述这些类别的本体概念:疾病、失调、体征、症状和医疗程序。最后，我们使用gydF4y2Ba开始gydF4y2Ba和gydF4y2Ba结束gydF4y2Ba与每个相关的标记gydF4y2BaontologyConceptArrgydF4y2Ba标识符，以获取输入帖子中已注释提及的位置。在这项工作中，我们只对前3类(即体征、症状、疾病、障碍和程序)感兴趣，以了解与bi相关的问题。因此，我们只使用这三种类型中的一种。gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

主题建模gydF4y2Ba

为了进行主题建模，我们对帖子进行如下处理:我们将帖子中的每个提及替换为其映射的gui，并丢弃帖子中所有被ctake视为非医学概念或不在3个感兴趣类别中的其他单词。如果一个提及被映射到多个gui，我们就用多个gui替换它。如果多个提及被映射到相同的CUI，我们将用CUI替换所有这样的提及。通过这种方式，每个帖子都被表示为一个cui包，而不是一个提及的集合，作为主题建模的输入，我们的词汇表由gui组成。在主题建模上，我们解释了主题- cui分布以派生主题。gydF4y2Ba

我们使用LDA [gydF4y2Ba66gydF4y2Ba]来了解每个帖子的话题分布和每个话题的CUI分布。LDA是一种生成概率模型，用于对文档语料库中的主题进行建模。LDA将语料库中的每个文档建模为潜在主题的混合物，其中每个主题被建模为所有文档中单词的分布。LDA通过最大化观察语料库的可能性来派生最佳分布，遵循透视图分布。中提供了LDA的简要描述gydF4y2Ba多媒体附录1gydF4y2Ba［gydF4y2Ba66gydF4y2Ba]。在我们的实验中，如上所述生成的一个gui包被用作LDA中的文档，并且gui是文档中的单词。我们使用了lda-c软件[gydF4y2Ba68gydF4y2Ba]，这是一种非常有效的LDA方法的实现，可以进行主题建模。gydF4y2Ba

当LDA用于一般文档(如新闻、科学文献)的主题建模时，将使用文档中的单词及其频率。然而，在我们的分析中，我们旨在从社交媒体文本中了解与BII相关的医学概念。不同的词可能表示相同的医学概念。例如，关节痛、关节痛、关节痛和关节痛都表示关节痛，并与单个CUI所代表的单个医学概念相关联。因此，在我们的LDA分析中，我们没有使用文字，而是使用了由gui表示的医学概念。由于表示相同医学概念的多个单词可以映射到同一个CUI上，因此使用gui还可以聚合和强化来自多个单词的信息，而使用单词可能是稀疏的，因此不容易从中学习主题。gydF4y2Ba

结果gydF4y2Ba

cTAKES注释gydF4y2Ba

表2gydF4y2Ba给出了注释提及及其由ctake映射的gui的汇总统计信息。在BIIweb中，cTAKES提取了2186个提及，并将它们映射到475个唯一的gui。在HealingBII中，cTAKES提取了11,080个提及，并将它们映射到1177个唯一的gui。在最大的数据集IG-BII中，cTAKES提取了5530个唯一提及，并将它们映射到2871个唯一gui。请注意，相同的提及可以映射到多个gui，并且可以具有多个类别(每个CUI只有一个类别)。例如，提及gydF4y2Ba闪光gydF4y2Ba映射到2个不同的gui，然后是2个不同的类别:疾病和医疗程序。gydF4y2Ba表2gydF4y2Ba给出了提取提及的每个类别的统计数据。对于每个数据集，大多数提取的提及被ctake分类为体征和症状。gydF4y2Ba

为了确定cTAKES是否能够充分提取相关的提及，我们执行了手动注释，并比较了两个提取的提及列表:一个来自使用cTAKES，另一个来自使用手动注释。我们从3个数据集中随机抽取50篇文章，并对这些文章进行手动注释。通过手动标注，我们提取了表达社交媒体用户涉及bi相关症状、疾病和医疗程序的担忧和经历的提及(单词或短语)。对于50个帖子的随机样本(lgydF4y2Ba_avggydF4y2Ba=134.18)，我们通过人工标注获得575次提及，通过ctake标注获得637次提及;共有479次被提及。每次提及都与一个帖子标识符和一个字符偏移量相关联。如果一个提及出现在两个列表中，并且具有相同的post标识符和字符偏移量，则认为它属于两个列表。我们发现83.3%(479/575)的人工标注提及被ctake覆盖。这种高覆盖率表明ctake可以捕获大多数相关的医学概念。相比之下，ctake注释的提及中有75.2%(479/637)被人工注释覆盖。这进一步表明，大多数注释中提到的ctake都可以通过手动注释来确认。同样，对于50个帖子的随机样本(lgydF4y2Ba_avggydF4y2Ba=80.02)， 69.5%(194/279)的人工标注提及被ctake覆盖;70.3%(194/276)的ctake注释被人工注释确认。对于50个帖子的随机样本(lgydF4y2Ba_avggydF4y2Ba=121.00)，对应值分别为75.2%(182/242)和64.3%(182/283)。根据我们研究中使用的多个数据集的人工标注和ctake的结果高度重叠，我们有理由认为ctake是通过社交媒体数据进行BII研究的人工标注的一个不错的替代品。gydF4y2Ba

LDA的话题gydF4y2Ba

为了确定最佳主题模型，我们使用网格搜索来确定Dirichlet先验α∈{0.01,0.05,0.1,0.5,1,1.5,2,5,10,15,20,25}和主题个数K∈{3,4,5,10,15,20}的最佳参数值。为了评估主题模型，我们分析了低困惑分数对应的α值和K值的每种组合的每个LDA主题建模结果[gydF4y2Ba66gydF4y2Ba，gydF4y2Ba69gydF4y2Ba，gydF4y2Ba70gydF4y2Ba]。gydF4y2Ba

对于每个主题建模结果，我们分析了文档-主题和主题- cui的概率分布，以得出主题及其各自的前10个代表性提及。给定主题的前10个代表性提及是最频繁的提及，对应于前10个gui，属于该主题的概率最高。多个提及可以映射到给定的CUI (gydF4y2Ba表2gydF4y2Ba）.我们只呈现最频繁的提及，因为映射到同一CUI的所有提及都具有相似的语义。我们进一步评估了主题建模的质量，基于衍生主题总结了最具代表性的提及。我们对每个α和K组合的LDA主题建模结果进行了分析，并选择了衍生主题不同且最能总结最有代表性提及的主题。最后，我们使用(1)BIIweb的K=4和α=10， (2) HealingBII的K=5和α=10，以及(3)IG-BII的K=5和α=1.5来确定不同且有意义的主题。我们观察到，当K值较高时，最具代表性的提及在主题之间是相似的。因此，衍生的主题不明确，难以解释。gydF4y2Ba

表3gydF4y2Ba-gydF4y2Ba5gydF4y2Ba列出提及次数最多的10个代表、提及次数对应的gui频率(以%为单位)，以及提及次数所表示主题的解释(例如，常见体征和症状)。注意，ui的频率是在所有帖子中，而不仅仅是在那些属于某个主题的概率最高的帖子中。我们给出这些频率是因为每个帖子都有属于某个主题的一定概率，因此所有帖子之间的频率可以更好地表示所有帖子的主题信息。这些表格还提供了高概率属于相应主题的帖子示例。在示例中，高概率属于相应主题的提及被斜体化。请注意，我们在LDA中使用gui来派生主题和单词分布(如方法-主题建模一节中所讨论的)，但是我们展示了映射到这些表中各自的gui(没有语义的标识符)的最频繁的提及(具有明确的语义)。这些表中的提及是根据它们对应的gui属于各自主题的概率进行排序的。请注意，这些概率并没有出现在表格中(它们不是表格中出现的频率)。因此，每个主题用其最具代表性的提及来代表，从而总结这些提及。例如，如果有大量提及与疼痛相关的内容，如颈部疼痛、胸痛和头痛，我们就会将一个主题解释为疼痛和其他迹象。 Please note that the topics have not been sorted, and the first columns in Tables 3 to 5 are nominal identifiers. Below, we have discussed the topics derived from LDA for BIIweb and HealingBII data sets from the original posts. Note that 2 topics can still share the same representative mention with different probabilities in the LDA.

表3gydF4y2Ba表示BIIweb数据集中的主题。虽然BIIweb是最小的数据集(gydF4y2Ba表1gydF4y2Ba)，我们仍然能够确定最具代表性的4个不同主题，即疲劳、感染、毒性和焦虑。gydF4y2Ba表4gydF4y2Ba给出了HealingBII数据集中的主题，该数据集与BIIweb中的主题共享了一些常见主题和代表性提及。例如，疼痛、癌症和毒性在这两个数据集中是常见的。然而，HealingBII的一个独特的焦点话题是手术和程序，人们(主要是患者)在他们之间讨论程序并分享他们的相关经验。《康复ii》的另一个独特主题是心理健康。gydF4y2Ba

除了身体症状外，个人还报告了严重的情绪和精神困难，如抑郁，并在社交媒体上表达了严重的症状。gydF4y2Ba表5gydF4y2Ba给出了数据集IG-BII数据集中的主题。IG-BII是最大的数据集(gydF4y2Ba表1gydF4y2Ba)，职位也明显多于其他两个。我们观察到，癌症、心理健康和毒性在这个大型数据集中成为重要的主题，与HealingBII中的数据一致。在IG-BII中，人们还讨论了他们从与BII相关的问题或事件中恢复的过程。我们从这3组数据中确定了经常提到的破裂、疼痛和疲劳。我们还发现了癌症、狼疮和自身免疫性疾病。请注意gydF4y2Ba表3gydF4y2Ba包含4个主题的BIIweb，但是gydF4y2Ba表4gydF4y2Ba和gydF4y2Ba5gydF4y2Ba包含HealingBII和IG-BII的5个主题。这是因为主题的数量取决于主题的不同程度，而不是预先指定的主题数量。gydF4y2Ba

表6gydF4y2Ba给出了最具代表性的10个被提及次数、被提及次数对应的gui频率(以%为单位)，以及在统一数据集上对主题的解释，该数据集结合了BIIweb、HealingBII和IG-BII这3个数据集。我们将3个数据集中的所有帖子合并到一个语料库中，得到一个统一的数据集。为了执行主题建模，我们以与处理单个数据集中的帖子相同的方式处理统一数据集中的帖子(在方法-主题建模一节中讨论)。在主题建模中，我们使用K=5和α=1.5确定了5个不同的主题。我们观察到，在统一的数据集中，身体健康、癌症、精神健康、毒性和常见疾病成为重要的主题，与IG-BII的数据一致。这是因为IG-BII是三者中最大的数据集，占统一数据集的93.22%(28,987/31,094)。我们还从个人和统一的数据集中确定了常见的问题，如疼痛、过敏、抑郁、体重增加、癌症、炎症和毒性问题。这意味着上述因素经常与BII相关。gydF4y2Ba

表7gydF4y2Ba表示每个主题的帖子百分比，其中一个帖子gydF4y2BadgydF4y2Ba被认为属于主题z，如果在所有主题中gydF4y2BadgydF4y2Baz的概率最高。尽管分布在数据集之间并不完全一致，但毒性在所有数据集中仍然是一个值得注意的主题。这表明这些都是与BII显著相关的常见问题。此外，疼痛、癌症、心理健康和其他疾病也与隆胸有关。gydF4y2Ba

讨论gydF4y2Ba

主要研究结果gydF4y2Ba

为了了解与BII相关的体征、症状和疾病或障碍(主要在社交媒体上而不是在医疗报告中报道)，我们收集了社交媒体帖子，并使用NLP和主题建模对其进行了分析。我们使用ctake提取与体征、症状、疾病、失调和医疗程序相关的提及，将它们映射到标准医学概念，并使用LDA将映射的概念总结为主题。我们发现，诸如破裂、感染、炎症、疼痛和疲劳是常见的自我报告问题。我们还发现，与精神健康相关的问题，如压力、焦虑和抑郁，以及癌症和自身免疫性疾病等疾病，都是常见的问题。ctake也能够提取药物和解剖信息，但鉴于我们的研究目的不是研究与BII相关的药物或解剖结构，因此它们没有用于我们的LDA分析。gydF4y2Ba

在我们的方法中，我们依赖于ctake和丰富的UMLS字典来提取所有相关的提及，包括它们的词法变体(同义词、缩写、释义)。为了确定ctake是否能够充分提取相关提及，我们执行了手动注释来提取所有相关提及，并将它们与从ctake中提取的提及进行比较。我们发现ctake可以充分捕获相关的医学概念，并且可以与手动注释相媲美。值得注意的是，我们没有评估提及提取模块在每个数据集的所有帖子上的性能，当每个提及都有基本事实标签时，通常使用精度和召回率指标来执行。然而，为了获得这样的标签，需要基于BII的领域知识进行仔细的手工注释。不幸的是，这些关于与BII相关或由BII引起的并发症、症状和其他问题的领域知识并不完全可用。我们在这项研究中的目标是从社交媒体数据中提供有用的信息，以补充我们目前的知识。因此，在这项初步研究中，我们使用了所有带注释的提及，假设cTAKES支持高质量的注释。gydF4y2Ba

优势与局限gydF4y2Ba

我们承认，cTAKES可能无法从我们的社交媒体数据集中提取所有相关提及。这是因为cTAKES最初是为从临床记录中提取医疗实体而设计的，与社交媒体数据相比，临床记录的措辞和写作风格非常不同。由于社交媒体数据包括非正式短语、简短的模糊文本、表情符号和与单个概念对应的广泛的词汇变体，尽管我们观察到ctake的合理输出，但ctake可能无法完美地处理社交媒体数据。我们还观察到，ctake经常将一次提及与属于同一类别的多个gui关联起来。我们认为这是因为在UMLS元词典中存在多个给定提及的映射。无论如何，提取的提及以及提及到由ctake生成的UMLS gui的映射都用于主题建模，而无需任何手动验证或评估。将来，我们将制定详细的指导方针，在将提取的提及用于主题建模之前进一步评估它们。gydF4y2Ba

我们的研究有一些局限性。首先，LDA是一种无监督学习技术，其中假设主题的数量(K)是先验已知的。然而，对于给定的数据集，很难准确地估计K。在我们的研究中，我们使用网格搜索来获得不同的K值。即使没有完整的领域知识，评估每个K值的LDA结果仍然是非平凡的。在我们的研究中，我们根据α值和K值来选择主题。我们没有使用perplexity [gydF4y2Ba66gydF4y2Ba，gydF4y2Ba69gydF4y2Ba，gydF4y2Ba70gydF4y2Ba]，一个在主题建模中广泛使用的度量，来选择主题，因为正如文献所研究的那样(例如Chang等[gydF4y2Ba71gydF4y2Ba])，困惑往往与话题的可解释性不太相关;在我们的例子中，最低的困惑并不总是能够产生直观或有意义的主题。在未来，我们将开发更严格的方法来选择主题数量和评估主题建模结果。在本研究中，我们没有对帖子进行情绪分析，以了解帖子中表达的积极或消极意见。我们计划在主题建模之前包含此过程，以便为主题建模生成更清晰的数据集。gydF4y2Ba

值得注意的是，社交媒体数据可能质量不一(例如，拼写错误、误解和有偏见的观点)，特别是与医学文献数据相比。任何人都可以在社交媒体上发帖，因此衍生内容可能来自可能患有其他种植体特异性问题的个人，例如包膜挛缩或种植体感染。因此，从社交媒体数据中理解与药物、疾病或医疗程序相关的疾病、失调、症状、体征等，总是会面临混杂因素或错误的风险。然而，鉴于关于BII的医学知识和文献还没有很好地建立起来，相关概念也没有很好地定义或被广泛接受，使用社交媒体数据来了解新出现的问题可能是一个有意义的起点。不过，任何来自社交媒体数据的发现都需要基于医学和生物学知识、实验、临床实践等进行严格的评估和验证。此外，我们只分析了3个，虽然最相关和最多产的网站致力于BII的讨论。对更大规模的社交媒体数据进行更全面的分析，将有助于更好地了解更大、更多样化人群中的BII。社交媒体数据的情绪分析可能是另一种有价值的分析，可以更深入地了解用户或患者的健康体验及其情绪或感受。我们将在未来的研究中考虑情感分析，当我们更好地理解BII，我们可以准确地注释社交媒体数据。gydF4y2Ba

结论gydF4y2Ba

本研究对今后的方法学和临床研究具有重要意义。未来NLP的方法学研究可以包括BII与社交媒体的症状和符号提及之间的因果关系推断，以了解它们之间的关系等。我们的发现可以为临床研究提供相关领域，以寻求制定BII的措施并确定其原因。更具体地说，我们的结果可以提供一个患者衍生的BII定义，这对于临床医生使用这种以患者为中心的语言来治疗BII患者是有用的。我们在本研究中应用的方法和信息学策略也将为从社交媒体数据中分析其他新兴但尚未定义明确的疾病提供工作示例。gydF4y2Ba

我们对社交媒体数据的分析确定了诸如破裂、感染、炎症、疼痛和疲劳等提及，这些都是专门针对BII的社交媒体网站上常见的自我报告问题。此外，我们的分析显示，大量的用户评论和帖子也涉及隆胸后的精神和身体健康以及毒性问题。通过让临床医生开发以患者为中心的语言来更好地接近有顾虑的患者，我们的研究结果可以用于进一步对BII的科学研究，以及对出现所描述症状的患者的护理。我们的研究首次利用NLP技术从社交媒体中分析和获得了有关BII的知识，并展示了利用社交媒体信息更好地了解新出现疾病的潜力。gydF4y2Ba