药物滥用本体:利用基于网络的数据进行药物使用流行病学研究:本体发展研究

介绍

背景

非法药物使用是一种复杂的社会现象，产生影响个人及其社区的各种公共卫生问题。联合国毒品和犯罪问题办公室在其2020年报告中估计，2018年世界人口中有5.4%使用非法药物，而全球人口中有0.7%受到药物使用障碍的影响[1]。受药物使用障碍影响的个人有可能经历各种不利的精神和身体健康影响，例如意外过量服用或疾病感染(例如艾滋病毒和丙型肝炎)。个人药物使用也可能影响他人的福祉，影响当地社区和邻里[2]，这反过来又创造了与个人开始吸毒有关的环境条件和社会决定因素[3.]。尽管大麻仍然是迄今为止消费最多的非法药物，其更强效的形式可能与不良后果有关[4]，阿片类药物和安非他明类药物仍然更多地与精神和身体伤害有关[5]。

尽管非法药物使用是影响现代社会的一种地方性现象，但近年来，在可获得的药物种类、互联网发挥的作用日益增强以及在越来越多的国家将几种非法药物非刑事化或合法化方面，发生了根本性和迅速的变化。例如，自2015年以来，欧洲药物和药物成瘾监测中心已经确定并列出了大约400种新的精神活性物质[6]，而位于暗网上的加密市场已成为分销新型精神活性物质和其他非法或处方药的日益重要的平台[7，8]。这些变化需要更及时的数据收集方法，以便对需求和供给双方进行监测。在这个不断变化的环境中，用户在社交媒体上分享的关于非法药物使用的内容是未经请求和未经过滤的自我披露与药物使用有关的态度和做法的丰富来源[9]。此外，可利用网上分销渠道，提供非法药物供应贸易的最新资料和新趋势[10]。

这些未经过滤的基于网络的通信和广告提供了对不断变化和新出现的药物使用趋势敏感的丰富数据来源，可用于补充和加强现有的流行病学监测系统。

基于语义的方法在增强和改进诸如物质使用等复杂领域的大数据分析方面发挥着关键作用。语义网是万维网的延伸，在其中创造了一套设计原则和技术来捕捉信息的含义。[11]。本体被定义为共享概念及其之间关系的规范，由模式和实例知识库组成[12]。

本体论在以下几个方面的发展中也发挥着关键作用:(1)语义web应用程序，(2)数据的语义注释，以及(3)查询和推理工具[13]。然而，为了有效地应用语义web工具，需要一个特定于领域的本体来表示社交媒体帖子中描述的主要价值实体及其关系[14]。

已经有广泛的研究为社交媒体数据开发本体论。例如，Kim等人提出的工作[15目的是开发一个专门针对肥胖的本体，用于调查与肥胖相关的社交媒体帖子，并检测特定社交媒体上发布的情绪、情绪和观点。他们的本体是通过将本体中的概念与与肥胖相关的推文中发现的相似术语进行映射来评估的，并且仅限于与任何生物医学本体的更广泛视角相关的8个超类。本研究仅限于对本体进行改进的社交媒体帖子，关键词广泛分布在前2名肥胖类型(腹部和大腿)和前3名管理类型(饮食、运动和药物治疗)中，并且仅局限于社交媒体中的一般人群。

与心理健康领域相关的本体较少。例如，Jung等人。[16]提出使用实体-属性-值三元数据模型设计青少年抑郁症本体，对相关社交媒体进行分析。这个本体是使用临床指南和非结构化的社交媒体帖子开发的，分为777个术语危险因素、体征和症状、筛查、诊断、治疗和预防。这项工作主要局限于从青少年抑郁症相关的社交媒体帖子中提取数据。

为了分析处方药领域，开发了几个先验本体。例如，处方药本体[17]旨在通过重用来自信息工件本体的类和对象属性来改进药物处方的语义，并有望实现处方数据的互操作性[18]，生物医学研究的本体[19]，普通医学的本体[20.]，医学相关社会实体的本体[21]，药物本体[22]。然而，这些本体论侧重于处方药的医疗用途，不包括与使用非法药物和成瘾有关的概念或俚语。

近年来，随着阿片类药物危机的加深，分析社交媒体上的阿片类药物研究并制定政策的努力也越来越多。在最近的一项研究中，一种名为阿片类药物知识图谱(ODKG)的特定知识图谱[23]是为了在电子健康记录中记录阿片类药物相关药物和相关实体而开发的。由于药物滥用本体(DAO)也包含阿片类药物相关药物的信息，我们比较了ODKG和DAO在阿片类药物相关社交媒体语料库(Twitter)中相关实体的覆盖范围，并观察到DAO在数量级上优于ODKG。由于DAO的设计也涵盖了社交媒体中常见的俚语，因此在COVID-19大流行期间，它比ODKG(200万)从12亿条抓取的推文资源中多检索了700万条推文。24]。

本文的主要目的是描述DAO的开发，评估和应用过程，以促进和加强社会媒体和基于网络的物质使用流行病学研究分析。本文在4个研究项目的背景下描述了DAO的开发过程，其中3个是美国国立卫生研究院(NIH)资助的研究，旨在利用基于网络和社交媒体的数据进行物质使用流行病学研究:(1)处方药滥用在线监测(PREDOSE)项目，旨在通过分析网络论坛数据，表征与丁丙诺啡和其他非法制造的阿片类药物的非医疗使用相关的用户知识、态度和行为[25-27];(2) eDrugTrends项目，通过分析Twitter和网络论坛数据，重点关注美国大麻合法化政策演变背景下大麻产品使用的模式和趋势[28-32];(3) eDarkTrends项目，旨在通过分析加密市场数据来确定新型合成阿片类药物的可用性趋势[33-35];(4)美国13个州社交媒体数据中COVID-19大流行趋势及其对心理健康的影响。

本文中使用的与机器学习(ML)、自然语言处理(NLP)和本体设计相关的术语按字母顺序排列在文本框1。

DAO的演变

随着社交媒体和其他网络资源在健康相关知识和经验分享中发挥越来越重要的作用[43]，需要一个明确致力于物质使用研究领域的本体论。开发DAO是为了形式化与成瘾和心理健康领域相关的概念、实体和关系，以利用其在社交媒体数据上的使用。我们的方法建立在语义网技术的集成之上，增强了传统的ML和NLP技术，用于自动提取和表示相关数据，并促进了与每个研究的特定目标相关的分析和解释。

处方药滥用在线监控

这项研究的重点是与丁丙诺啡的非医疗使用有关的网络论坛数据[26，27美国食品和药物管理局于2002年底批准用于治疗阿片类药物成瘾。在没有医疗监督的情况下使用丁丙诺啡被定义为非处方。尽管在网络讨论中，在区分处方用药和非处方用药方面总是存在一定程度的不确定性，但个人分享的一些问题和做法提供了非处方用药的指标(例如，说苏博松是从朋友那里获得的;那国内外哼了一声;或者它被切成小块使用)。丁丙诺啡(Suboxone, Subutex等)是唯一可由执业医生在办公室开处方治疗阿片类药物成瘾的受控物质。PREDOSE的总体目的是研究用户生成的关于非法使用Suboxone(丁丙诺啡或纳洛酮)、Subutex(丁丙诺啡)和其他丁丙诺啡产品的网络论坛讨论，通过应用新的信息处理技术促进定性和定量分析[26]。除了Twitter和Reddit，我们还使用了3个网络论坛，为人们提供了自由分享吸毒经历的场所，并发表了关于不同药物的问题、评论和意见。我们研究中使用的其中一个网络论坛是Bluelight [44(请注意，根据赖特州立大学机构审查委员会的指导方针，其他两个论坛的名称未在本文中披露)。我们的团队与Bluelight团队开展了研究合作，并能够直接从Bluelight获得未识别的数据更新。来自这些论坛的数据是使用定制的网络爬虫收集的。我们之所以选择研究丁丙诺啡，是因为当时(2011-2012年)有越来越多的证据表明丁丙诺啡被使用，而美国对其非医疗使用的模式和趋势的了解相对较少。由于丁丙诺啡的使用与更广泛的非法阿片类药物使用和成瘾有关，DAO的初始版本包括阿片类药物的详细表示，包括俚语和品牌名称术语。为PREDOSE项目开发的DAO还包括其他类别的药物，如大麻和兴奋剂类药物，因为多种物质的使用在非法阿片类药物使用者中很常见。图1［26演示了在我们的PREDOSE架构中使用DAO本体，该架构包括三个主要模块:

1. 数据收集模块，从35,974名用户中收集了大约100万篇帖子(1,066,502篇)。
2. 使用DAO本体对帖子进行语义注释的自动编码模块。
3. 数据分析和解释模块，用于可视化在帖子中发现并在DAO本体中引用的关键字(例如，loperamide和buprenorphine)。

‎ 查看此图

eDrugTrends

这是我们在2014年获得NIH和国家药物滥用研究所(NIDA)资助的第二个项目[45]。这项研究的重点是在美国大麻合法化政策不断发展的背景下，与大麻和合成大麻素使用相关的社交媒体数据。本研究的目的是开发eDrugTrends，这是一个全面的软件平台，用于对大麻和合成大麻素使用的社交媒体数据(Twitter和网络论坛)的主题、情感、时空和社交网络维度进行半自动处理和可视化。该研究还旨在(1)利用Twitter和网络论坛数据，识别和比较美国不同大麻合法化政策地区与大麻和合成大麻素使用相关的知识、态度和行为趋势;(2)分析社交网络特征，并确定Twitter上大麻和合成大麻素相关讨论的关键影响者。为了实现eDrugTrends平台的这些目标，DAO进一步扩大，以包括新兴大麻产品、合成大麻素产品、与健康有关的后果和精神健康状况的更全面代表。

eDarkTrends

这是使用DAO的第三个项目。这项研究是由NIH和NIDA时间敏感机制资助的[46，该项目始于2017年。eDarkTrends项目面向新型合成阿片类药物，如过去几年出现的非法制造的芬太尼，它们过去是，现在仍然是导致美国与阿片类药物相关的非故意过量死亡率增加的重要因素。35，47，48]。然而，当时(2017年)对加密市场数据的流行病学监测是有限的。该研究的总体目标是利用加密市场数据对非法芬太尼、芬太尼类似物和其他新型合成阿片类药物的可用性趋势进行监测，并识别在暗网环境中出现的新物质。最终，eDarkTrends旨在为流行病学监测提供一个强有力的工具，增强预警系统的能力，以捕捉芬太尼和其他非法合成阿片类药物供应和可得性的变化。为了满足该项目的具体需求，DAO进一步扩展，包括新的非法合成阿片类药物域(例如卡芬太尼、呋喃基芬太尼、U-47700和MT-45)的全面和详细的表示。

COVID-19大流行

此外，我们将DAO应用于COVID-19社交媒体数据分析，对与大流行相关的社交媒体数据进行分析。目的是COVID-19大流行缓解了社区范围内的抑郁症，并导致吸毒增加[49]。最近的研究调查了COVID-19大流行对心理健康的影响[50-52]。为此，我们提出了一个新的框架来评估美国不同州的抑郁症、药物使用和潜在新闻内容的信息性的时空主题进展[53]。DAO与统一医学语言系统、精神障碍诊断与统计手册第5版(DSM-5)词典中的医学主题标题术语层次结构一起使用[41]，统称为精神健康和药物滥用知识库(MHDA-Kb)，以发现其他实体。

方法

概述

该本体由领域专家共同作者(FL和RD)手动开发，他们使用了一系列来源，包括(1)关键的流行病学数据源和通过NIDA可访问的报告[54]、禁毒署[55]、欧洲药物成瘾监察中心[56]和RxNorm [57];(2)先前与非法制造的阿片类药物、大麻和其他药物有关的同行评审出版物[58-61];(3)对与选定物质相关的基于网络的社交媒体资源进行持续的人工评估和审查[25，27，62]。类型1和2的来源提供了基本概念，而类型3的来源在确定替代概念方面很重要，包括同义词和街道名称。为了开发DAO，我们遵循了著名的101本体开发方法[63]。101方法包括(1)确定本体的领域和范围;(2)重用现有知识;(3)列举本体中的重要术语;(4)定义类及其属性并创建类的实例。

设计

图2提供DAO本体的概述。门徒(64]是一种流行的本体编辑器，用于将本体构建为子类树。本体论被设计为与物质使用有关的概念目录。因此，精神活性物质类别(如大麻素和阿片类药物)被创造出来，并填充了物质亚型(如吗啡和芬太尼)。每种物质均按其名称和(如适用)有关其药品名称或品牌名称的信息进行定义(has_brand_name)、俚语或街名(has_street_name)，以及化学名称(has_chemical_formula)。后一种信息是通过不同的来源收集的:药物或品牌名称基于现有的医学或药理学词典，俚语或街道名称基于第二和第三作者(RD和FL)的领域知识，化学名称主要涉及合成大麻素受体激动剂，并基于学术文献和缉获数据(例如，国家法医实验室信息系统和欧洲刑警组织)。DAO还增加了与单位相关的概念和俚语(例如:瓶盖，毫升，瓶)，纯度及制备形式((例如，压碎和弄瞎)能够识别和分析文本内容中的三元[65]。例如，药物的一个实例吗啡是Poppy_Tea，里面有俚语圆荚体和Poppy_Pods在社交媒体上使用。

‎ 查看此图

实例化

这被定义为在层次结构中创建类的实例。类的实例拥有自己的类并填充一个值。实例有自己的属性。例如,芬太尼属于班级阿片样物质它有自己的属性，比如Has_brand_name, has_同义词，has_slang_term，等。DAO本体重用来自DBpedia数据集的实例[66(如丁丙诺啡)。图3是DAO的WebVOWL(用于本体交互式可视化的web应用程序)表示，专注于从可视化数据网络派生的实体大麻[67]。图2显示了在DAO本体中作为web本体格式(owl)文件实现的药物名称树。在图2、实体、对象属性、实例和数据属性分别用黄色、绿色和紫色标记表示，这些标记清楚地描述了每个实体的类、实例、层次结构和关系的性质。

‎ 查看此图

伦理批准

这项研究是按照赖特州立大学机构审查委员会的指导方针进行的。所选网站的名称未在本文中披露。我们的项目涉及到对Twitter数据的分析，这些数据是公开的，并且是匿名的。它不涉及与任何个人或其个人身份数据的任何直接互动。此外，我们的数据集不包括与人类参与者的任何交互。根据我们的数据使用安全协议，我们的数据集不包含任何图像。因此，赖特州立大学机构审查委员会对该研究进行了审查，并获得了豁免决定。

结果

评价

DAO本体是按照国际语义网会议资源跟踪指南认可的语义网最佳实践进行评估的[68]，其中提供了以下标准:(1)影响，(2)可重用性，(3)设计和技术质量，以及(4)可用性。我们还遵循了PerfectO方法[40]，它综合了一套额外的最佳实践，并简化了它们的成就[69]。我们已经讨论了将以下标准应用于DAO的结果:

1. 影响和可重用性:如前所述，DAO在4个场景中得到了利用。可以使用Live OWL文档环境提供自动文档[70]， DAO文档可在社区本体存储库[71]。
2. 设计、技术质量和可用性:使用基于web的本体可视化(WebVOWL)，本体的设计以图形可视化的形式在web上可用[72，73]。我们使用Oops (ontology Pitfall Scanner)工具改进了本体，这些工具可以自动检测常见的缺陷并提供修复它们的建议。加载了DAO的ops可以在web上进行测试[71，74]。链接数据验证器，蒸汽工具与DAO集成[75]用于检查解引用统一资源标识符和内容协商。最后，资源描述框架Triple-Checker检查现有的本体是否在我们的DAO中被正确使用[76]。
3. 本体度量:还对DAO进行了评估，如表1，相对于几个本体度量[77]。这些指标列出了proteproteins中本体的结构和表示的数字，因为它是最广泛使用的创建本体的工具[78]。公理将类和属性联系起来，是逻辑和非逻辑公理的组合[79]。中报告的不同类、对象属性、数据属性和个体的数量表1重点是对DAO结构的评估。

随后的部分将演示在不同平台上使用DAO的结果，以及DAO在每个用例中的演变。

刀在预剂量内

图4［26，80描述了如何使用DAO对文本进行自动注释。在文本中所示图4，我们确定药物实体，剂量，时间间隔，给药途径等。在DAO中，丁丙诺啡被定义为的子类Subutex和目前。里面有俚语国内外和Bupey。这个词国内外如果不将其定义为DAO中的俚语，则不可能在文本中确定。DAO能够基于本体中的词汇查找映射单元(例如，mg→MILLIGRAM)和俚语术语(例如，bupe - buprenorphine)。类似地，其他概念，如管理路线注射，在文中也有说明。在与nlp相关的任务中，例如文本数据的词法、语义和句法分析，添加本体可以作为识别数据中的三元组和实体的外部知识来源。将数据中的领域概念化是处理有关该领域的进一步信息(词汇和基于规则的语法)的先决条件[81) (图5［80])。利用DAO对601篇论坛帖子进行评价，在信息抽取任务中准确率达到84.9%，召回率达到72.5%。特别是，在3639个注释中，2640个预测正确(真阳性)，而683个俚语是不正确的(假阳性)。就召回而言，3639个注释中只有999个被遗漏(假阴性)[26]。对于使用DAO的三重提取，我们在197个评估的三重模式中获得了33%的精度(66个是正确的，131个是不正确的)。对于使用DAO的关系提取，我们在183个短语中实现了36%的精度(66个正确，117个不正确)。另一项发现(图6［25[])是我们与DAO的网络论坛分析显示，洛哌丁胺被广泛用于治疗与阿片类药物成瘾相关的戒断症状，其中丁丙诺啡和美沙酮通常被开处方。在这项工作之后，共有3项毒理学研究导致美国食品和药物管理局在2016年发出警告[25，82]。视频演示[83]在PREDOSE平台上可以在网上找到。PREDOSE平台表明需要在信息提取和自动数据编码技术方面进行额外的增强。

‎ 查看此图

‎ 查看此图

‎ 查看此图

eDrugTrends(监测社交媒体上的毒品趋势)

eDrugTrends项目旨在分析网络论坛和Twitter上与使用大麻和合成大麻素有关的知识、态度和行为趋势[26，28-31]。图7［79]展示了DAO本体在eDrugTrends架构中的应用，其中包括4个阶段:(1)数据收集，(2)数据处理，(3)用于探索和可视化的数据访问工具，以及(4)定量和定性分析和解释。从社会科学或物质使用流行病学的角度来看，数据处理和信息提取阶段对应于为进一步分析和解释准备原始数据的编码任务。在数据处理过程中，DAO在识别数据中的实体方面发挥了重要作用，这些实体是药物的确切名称、同义词、俚语术语或街头名称。我们使用DAO为特定领域的词嵌入模型生成嵌入向量，并构建了一个ML模型，通过对Twitter上与大麻相关的对话进行分类，按用户类型(个人、机构和零售商)对用户进行分类[28]。我们使用从人、内容和网络视图中提取的多模态嵌入实现了这一点，比经验基线提高了8% [28]。我们使用每个用户类型个体(P)、知情机构(I)和零售商(R)的平均F1分数来评估我们的方法。P、I和R的个体类别的F1分数分别为95%、42%和73%。本研究使用的Twitter用户帐户级别的训练集描述性统计，其中涉及语义过滤[84]使用DAO，见表2。

‎ 查看此图

用DSM-5增强DAO

用DSM-5加强DAO的动机是为临床医生提供关于基于网络干预的诊断术语中患者心理健康的可操作信息。我们之所以选择Reddit的数据进行这项研究，是因为与药物相关的概念、实例和关系在语义上与社交媒体上的心理健康交流有关，尤其是在Reddit上。在我们的Reddit语料库中，与药物使用相关的类别占很大一部分(48%;语料库大小是来自15个心理健康子版块的250万篇帖子，由268,104名用户发布)的数据集大小。然而，DAO仍然缺乏与DSM-5中定义的精神健康诊断障碍直接相关的概念，这些概念出现在国际疾病分类第10版中[85]、医学临床术语系统命名法[86]和DataMed [87]。在最近的一项研究中41]将Reddit用户帖子的精神状况与DSM-5诊断障碍进行匹配，我们利用DSM-5的知识增强了DAO，其中包括20章(表3)，符合《国际疾病分类》第10版和NIH的研究领域标准[88精神健康增强的DAO包括精神健康障碍和相关症状的表征，这些症状是在DSM-5分类之后发展起来的[89]。例如，的引用大麻使用障碍包括以下术语对大麻上瘾，对大麻上瘾,Jazz_mango瘾君子。指的是感觉焦虑或焦虑包括以下条款坐立不安,担心,和激动。这些外行术语是通过使用同义词字典和手工检查与抑郁、焦虑和其他心理健康状况相关的Reddit对话添加到DAO中的。

由DSM-5概念策划和增强的DAO在弱监督的环境中使用，以DSM-5分类标记Reddit帖子。在与Park和Conway的最新研究的对比分析中[90]， Saravia等[91]， Gkotsis等[92]，我们观察到，使用DSM-5扩展DAO有助于提高我们实体识别工具的准确性(减少了92%的误报)。这些结果显示在图8。我们通过与领域专家的可靠性评估进一步评估预测的意义，该评估给出了84%的一致性评分。此外，从DAO中加入俚语来匹配和处理非正式的社交媒体数据，提高了覆盖率和召回率(表4)。因此，我们证明了使用DAO和DSM-5知识对内容中的上下文特征进行语义加权可以显著提高人工智能系统的鲁棒性。由于基于网络的内容被映射为临床可接受的词汇，该系统带来了可解释性。此外,表3显示了从DAO中提取的概念在我们的Reddit语料库中捕获的数量的改进，这些语料库与dsm - 5,20章相关，在添加俚语术语之前和之后。

‎ 查看此图

消极性研究的基本模型是一个平衡的随机森林，它具有横向语言特征(定冠词的数量、每篇文章的字数、第一人称代词、代词和从属连词)、纵向语言特征(词性标签的数量、帖子之间的相似性、子reddit内部的相似性和子reddit之间的相似性)和细粒度特征(情感、情感和可读性得分)。

eDarkTrends(监测加密市场的药物趋势)

DAO还在识别相关实体和分析来自暗网加密市场(例如Agora, Dream Market和Empire Market)的数据方面发挥着重要作用，以量化和评估芬太尼，芬太尼类似物和其他新型合成阿片类药物在加密市场上的可用性。25，26]。暗网市场的快照显示在图9［33]。与填充DAO阿片类子类的实例相关的术语和俚语，以及剂量(如克、毫升和盎司)和形式(如片剂和粉末)类被编译为正则表达式，并在专门为Darknet数据设计的专用命名实体识别(NER)算法中用作表达模式[35]。DAO被归纳地增加了加密市场环境特有的缩写和术语(例如，fuff表示氟呋喃基芬太尼，FE表示最终确定)，以确保只收集有关新型合成阿片类药物的相关数据。NER允许捕获加密市场上广告的新型合成阿片类药物的类型和数量;例如，NER将提供有关广告的以下信息芬太尼透皮贴剂每小时100微克a类:芬太尼型;名称:芬太尼;用量:0.0001 g / h;形式:皮肤。关于芬太尼、芬太尼类似物和其他非药物合成阿片类药物在加密市场上广告的平均数量的结果显示在表5。获得这些结果的爬虫是2015年和2018年从Agora和Dream市场收集的暗网帖子[35]。我们还对使用DAO的暗网市场(Dream、Tochka和Wall Street是本研究使用的市场)上的供应商进行了分类。我们的调查结果的总结与独特的供应商，实质，位置，供应商的描述，和提款交易的数量显示在表6。

‎ 查看此图

COVID-19场景

我们利用2020年1月1日至4月10日期间约12亿条推文，对新型冠状病毒病的心理影响进行了时空分析[93，94]。使用DAO中提到的实体和俚语，可以半自动识别与covid -19相关数据中与成瘾和心理健康相关的概念。研究人员使用了大约90个相关概念和140个俚语来提取涉及非法药物使用、酗酒和药物滥用的推文。此外，在使用DAO提取的推文中观察到失眠和抑郁等自杀风险因素。同样，我们研究了COVID-19大流行期间发表的约70万篇新闻文章的负面媒体曝光，方法是使用DAO对变压器(BERT)模型的双向编码器表示进行微调。53]。我们之前的研究考虑了2020年的3个月(1月、2月和3月)，因为根据美国精神卫生报告，这段时间COVID-19的传播非常大。95]。在这份报告中，我们使用了13个州中被认为是高传播区域的10个州。不包括的3个州表7分别是华盛顿州、怀俄明州和爱达荷州。这三个州没有被包括在内，因为相关数据不存在于我们的数据集队列中。在这项工作中，我们使用深度学习模型香草BERT、抑郁BERT和药物使用BERT报告了每个月的状态标签(即抑郁、药物滥用和信息丰富)，如图所示表7。这些深度学习模型的定义见文本框1。该研究随后分析了社会质量指数，该指数综合了心理健康成分(抑郁和焦虑)、成瘾和物质使用障碍，并考虑了2020年3月至4月期间的推文。伊利诺斯州、纽约州、马里兰州、亚利桑那州、新墨西哥州和马萨诸塞州的社会质量指数和推文显示在图中图10［94]。

‎ 查看此图

讨论

优势与局限

DAO是一个正在进行的项目，可以不断改进和扩展，以处理其他主题领域和新出现的物质使用问题和趋势。DAO的开发需要物质使用研究领域的专家(领域专家)的深入参与。我们承认我们的方法有局限性，因为我们的DAO开发团队没有包括有物质使用障碍生活经历的人。将来，让使用药物的个人也参与进来，帮助开发和完善DAO章节和术语，这一点很重要。DAO可以为跨学科协作团队提供一种工具和框架来推进这项工作。DAO本体已经在几个场景中被证明是有效的，如评价章节(第三节)。表8根据项目的需要，总结了本体使用的演变和改进。本文件中描述的相关项目的公共卫生调查结果，重点是人、地点和时间，参见表8。

主要发现及结论

在本研究中，我们开发并评估了DAO作为识别社交媒体帖子中感兴趣的概念、实体和关系的框架。本研究中开发的DAO包括315个类、31个关系和814个实例，每个实例有2到4个层次。我们的本体设计用于研究社交媒体数据、暗网数据和网络论坛。DAO主要用于知识提取，广泛适用于这些平台。

本体论的超类整合了健康状况、个人相关、网络相关、社会(公共政策)、来源(经销商、互联网、医疗、自产)、时空和物质相关类的所有概念。本研究开发的集成本体适用于分析社交媒体帖子和暗网帖子，了解网络相关特征、地点和时间问题，识别新趋势、同义词、俚语和新药。

我们的本体不仅包含从DSM-5中提取的术语，还包含社交媒体和其他网络帖子中使用的各种术语和俚语。这些包含所有医学术语、同义词和俚语的术语代表了所有物质，使社交媒体和暗网数据中的术语变得丰富。我们的本体还有助于从社交媒体和暗网数据中发现主题和实体提取。此外，我们使用本体提取暗网市场中每个产品描述中的信息，以识别正在销售的未知物质，例如合成药物，研究化学品，合成大麻素和合成海洛因。

遵循著名的软件开发方法(如敏捷方法)，本体论根据当前基于成瘾的研究需要不断更新。DAO是一种机器可处理的资源，它描述了一组与成瘾领域相关的对象和类，并且随着正在进行的新项目的需求而增长。例如，当前的本体正在被来自暗网的知识所丰富。在未来的工作中，本体将链接到其他本体(例如，MEDDRA [98](管制活动医学词典)来设计药物滥用知识图谱。另一个研究贡献将是用新的概念和属性自动更新DAO，受算法的启发，该算法允许用户使用从知识图中检索的建议交互式地构建特定主题的本体[99]。本文中使用的术语表提供于多媒体附录1。