在Twitter上识别炎症性肠病患者并从他们的个人经历中学习:回顾性队列研究

介绍

背景

近年来，社交网站和基于网络的社区已成为患者的另一种信息来源。各地的患者都使用社交媒体分享健康和治疗信息，相互学习经验，并提供社会支持。挖掘这些信息丰富的对话可能会对患者的生活方式和慢性病研究提供一些启示。

近年来，文本挖掘和社交网络分析已被用于检测Twitter上关于健康的提及[1，2]或追踪COVID-19大流行的传播和症状[3.-5］．关于慢性疾病，之前的研究主要集中在分析患者的推文和发现他们的推特社区[6-10］．尽管对糖尿病或癌症的研究相对较多，但对炎症性肠病(IBD)的研究才刚刚开始巩固。

IBD是一种消化系统的慢性炎症性疾病，其特点是发作和缓解状态。克罗恩病和溃疡性结肠炎是IBD的两种主要疾病，通常在年轻患者(15-30岁)中被诊断出来。IBD的发病率正在迅速上升，并已演变为一种全球性疾病[11-14］．

目前还没有药物或外科手术可以治愈IBD。治疗方案只能对症状有所帮助，对每个病人的影响是不同的。它们包括处方药和与生活方式相关的解决方案，如饮食和治疗。症状包括腹痛、腹泻和疲劳，严重者可能导致住院或手术干预[15，16］．作为慢性肠道疾病，克罗恩病和溃疡性结肠炎都需要日常的药物治疗和特殊的营养。

患者将IBD描述为一种令人尴尬的疾病，会导致日常活动立即中断。他们在适应变化方面遇到困难，并认为自己与同龄人不同。由于IBD的特点是频繁排便，人们不急于与他人分享他们的疾病[15，17-19］．根据IBD患者的说法，部分尴尬可归因于缺乏公众意识。外人看不出一个人的胃痛或肠子有疤痕。这种疾病是看不见的，其他人可能会怀疑它的存在。20.，21］．

IBD造成的尴尬以及向有类似经历的人倾诉的需要有助于解释Twitter上IBD相关社区的创建。通过克服空间和距离，Twitter用户形成了一个无视物理边界或不动性的社区。共同点有助于打破障碍，促进对话，增加一个人分享的意愿[22，23］．根据个人经验，与其他能够联系并更好地了解情况的患者进行咨询可能更容易。人们可以更紧密地识别与自己相似的用户故事，并更容易接受他们的建议[24］．当人们在Twitter上披露健康信息时，他们暴露在各种各样的观点中，减少了对自己疾病的不确定性[25］．

由于IBD的性质及其对消化系统的影响，IBD患者被迫每天应对疾病，坚持严格的饮食方案，保持平静的日常生活。营养或身体活动的改变，目前是通过试错来测试的，对病人来说，这是一个漫长而痛苦的过程。我们可以从他们的个人经历中学习，并通过收集和分析患者的社交媒体数据，为现有的疾病医学知识提供额外的基础。基于人群智慧的补充建议可以缓解患者的生活，缩短为他们找到正确生活方式的过程。

目标与贡献

这项研究旨在通过收集和分析IBD患者分享的有关疾病的个人经历，揭示利用Twitter数据促进IBD患者福祉的潜力。我们建议建立一个框架，用于在Twitter上识别IBD患者，并检查他们分享的有关疾病的内容。我们首先建立了一个用户分类器，将患者与在Twitter上谈论IBD的其他实体区分开来，然后使用分类器收集患者的推文，并探索他们为应对疾病而接受的与生活方式相关的治疗。

这项研究的重点是创建一个使用Twitter数据来识别IBD患者并探索他们共享的信息的管道。虽然本研究的每个部分都可以通过尝试其他分类方法或丰富患者推文的分析来扩展，但本研究显示了利用Twitter数据增强IBD医学知识的潜力。我们证明，即使使用经典的、简单的分类算法，也可以根据Twitter上的交流来识别患者。我们比较了两种不同的用户分类方法(单实例(SI)学习方法和多实例(MI)学习方法)的性能，并展示了使用后者的好处。本研究第二部分的初步分析表明，可以从患者自我报告的推文中获得与健康相关的见解。

使用建议的框架来识别更多的患者并收集更多的数据，可以揭示他们对他们尝试的治疗方法的看法，或者探索疾病的其他方面，例如对患者生活质量的影响。该框架也适用于其他慢性疾病。它可用于比较IBD患者与一般人群或其他慢性疾病患者的讨论模式。

相关工作

推特与健康

对健康和福祉背景下的社交媒体的研究继续将Twitter定位为传播健康相关信息的新媒介。与健康相关的推文从简单的牙痛到更严重的慢性疾病，如糖尿病、哮喘或癌症[9，10，26，27］．肌萎缩性侧索硬化症患者使用Twitter作为沟通手段，美国地方卫生部门使用Twitter进行糖尿病相关信息的教育和传播[28，29］．甚至像艾滋病毒这样的敏感疾病也会在Twitter上讨论[30.-32］．关于谁在推特上发布什么和为什么发布的交流模式因疾病而异[26］．

推特是传播卫生信息的强大工具，也是需要即时社会支持或救济的患者的可访问平台。它为与健康有关的对话提供了一个协作环境，慢性病患者可以在这里每天分享他们的健康状况。他们使用Twitter来交流生活方式的影响，或者更好地了解医疗程序。通过Twitter，他们可以轻松方便地接触到大量受众和各种观点[33］．

总共有两项先前的研究提出了检测Twitter上个人健康提及的模型，并显示出有希望的、可扩展的结果[1，2］．然而，他们的目标与我们不同，因为他们认为所有讨论特定个人健康状况的推文都是积极的。在我们的研究中，我们试图确定患有特定疾病的患者。我们不仅对患者写的推文进行分类，还对用户自己进行分类。

推特上的交流模式

不同类型的用户在Twitter上的交流方式不同。他们与他人的联系方式不同，有不同的推特习惯，风格和语言内容也不同。研究Twitter用户之间的会话连接，并对其推文进行文本挖掘，可以根据用户的特征对用户进行分类，识别不同类型的用户[34-38］．

个人主要反映他们的个人经历或情感，并倾向于与他人交往。他们经常被提及，也经常被提及其他用户。相比之下，组织经常通过url指向外部信息源，并且不太积极地与他人联系。他们经常在推文中被提及，可能是作为信息来源，但很少提及其他用户[39，40］．

通过分析用户的屏幕名称(即其Twitter账户的用户名)或个人简介(即其Twitter用户描述)，可以确定用户是普通个人还是组织，并揭示潜在的用户属性[41，42］．

我们的研究依赖于这些先前的发现，并构建分类特征，帮助区分IBD患者和其他关于该疾病的推文用户。我们调整和扩展了以前的方法，以应对在Twitter上识别IBD患者的不同任务。

Twitter和IBD

通过研究Twitter上参与IBD相关讨论的实体，我们发现IBD患者是最常见的在Twitter上谈论IBD的用户类型[43，44］．IBD患者使用Twitter来分享个人经历并寻求社会支持。他们交换对症状和药物的看法，并相互推荐治疗方法。45，46］．通过在Twitter上分享他们与疾病的生活经历，患者可以对抗疾病的隐形性，并提高公众对IBD的认识[47］．

Perez等[48]研究了Twitter上的IBD社区，并确定了讨论这种疾病的用户类型和他们讨论的关键话题。他们通过分析用户的屏幕名和个人履历，根据他们的Twitter资料对用户进行分类。在我们的研究中，我们研究了大量的分类特征，并提出了一个基于Twitter上IBD患者的交流方式和分享内容来检测他们的模型。

IBD患者比其他慢性疾病患者更容易情绪化和消极[49］．当他们谈论疾病及其症状时，他们通常表现出消极的情绪，但积极地谈论有助于控制疾病的饮食和药物[48］．在推特上提供社会支持的患者更有可能发布积极的推文[50］．

与之前有关患者在Twitter上的情绪的研究不同[48-50，我们的研究重点是实体情绪，而不是整条推文的情绪。通过分析患者对与营养和健身相关的特定关键词的看法，我们揭示了影响疾病的某些生活方式的看法。

方法

概述

本研究分两个主要阶段进行。在患者识别部分，我们构建了一个用户分类器，将患者与在Twitter上谈论IBD的其他实体区分开来。我们考虑了三种类型的分类特征:(1)从用户在Twitter上的活动中提取的特征，(2)用户tweets的内容，(3)用户网络的社会结构。我们比较了两种分类方法中几种分类算法的性能:一种是单独对推文进行分类，然后从推文级别的分类中推断出用户的类别;另一种是将推文级别的特征聚合到用户级别的特征中，然后对用户本身进行分类。

在分析患者的推文部分，涵盖了研究的第二阶段，我们从患者在Twitter上分享的个人经历中获得了关于IBD的见解。我们通过查询Twitter应用程序编程接口(API)获取与营养或健身相关的特殊关键字来收集与生活方式相关的tweet。然后，我们使用研究第一阶段的分类器过滤他们的作者，以获得IBD患者描述他们为应对疾病而采用的不同饮食和体育活动的推特集合。我们确定了经常提到的生活方式，并使用IBM沃森服务进行实体情感分析，以评估其有效性。

图1和2描述研究的两个主要阶段的一般流程。图1描述了我们如何使用Twitter数据对用户进行分类并识别IBD患者。图2演示如何使用分类来分析患者的tweet。

‎ 查看此图

‎ 查看此图

病人识别

数据收集和准备

我们使用Twitter Search API收集了10天的ibd相关推文(从2018年2月11日中午到2018年2月21日中午)。我们使用OR运算符搜索3个关键字中的至少一个:克罗恩病，结肠炎、和#炎症性肠病。缩写IBD被作为标签搜索，以避免投资者商业日报社论账户发布与新闻相关的推文，该账户通常标有炎症性肠病。我们将搜索限制在用英语写的推文上，并收集了2045条推文。

然后将收集到的推文的722位作者手动分类为患者(1)或非患者(0)。总共有3位不同的注释者，即本文的作者(MS, YP和GR)进行标记过程，并根据用户的推文对用户进行标记。如果每个用户至少有一条推文透露了他们的病情，那么他们就会得到1个标签，否则就会得到0个标签(即，如果他们的推文都没有表明他们是IBD患者)。

655名用户(n=181，占患者的27.6%，n=474，占其他用户的72.4%)，标注者完全同意，并设置标签。为了解决关于其他9.3%(67/722)用户的争议，注释者通过考虑用户的屏幕名称和传记，并在必要时审查他们的时间线，对他们基于tweet的决定提出质疑。考虑到新的数据，在剩下的67个用户中，有45个(67%)在他们的传记或时间表中明确提到他们的疾病后被归类为患者。共有12%(8/67)的注释者谈到了其他患病的人，并且注释者一致同意他们自己不是IBD患者。对于剩下的21%(14/67)用户，注释者没有达成共识，因此从数据集中省略了这些用户。标记过程结束于708个标记用户的集合:226(31.9%)患者和482(68.1%)非患者。

为了训练推文级别的分类器，我们还必须手动注释推文。我们处理了原始搜索查询(2018年2月)中收集的推文，并从集合中排除了转发(RTs)。由于目的是识别患者，我们对分享内容不感兴趣，只考虑用户对RT的倾向作为行为分类特征。在排除RTs和14个我们没有达成注释共识的用户后，我们还剩下1687条tweet。为了像注释用户时那样考虑用户的传记，我们将每个传记作为另一个传记添加推特作者写的。共有83.5%(591/708)的用户具有非空的传记，该过程产生了2278个集合微博。

在注释过程中，我们想确定某条推文是否透露了用户是IBD患者。明确暗示其作者是IBD患者的推文被标记为1，其他所有推文都被标记为0。正如我们已经对用户进行了注释一样，由非患者用户编写的所有1638条tweet都会自动收到0的标记。然后，3个注释器(MS, YP和GR)手动对患者写的所有推文进行分类。共有346条推文被一致分类为1,288条推文被一致分类为0。注释者对6条推文(由6个不同的用户写的)没有达成共识，他们被排除在集合之外。所有6个用户都至少有一条推文，因此，他们都没有被完全排除在我们的数据集中。最后，我们收集了2272条推文，其中346条(15.23%)明确透露了作者的病情。

为了丰富我们的数据，我们为每个被标记的用户收集了另一周的推文(从2018年6月10日中午到2018年6月17日中午)，这一次没有额外的过滤。在过去的几个月里，6.6%(47/708)的用户要么被Twitter暂停，要么将账户改为私人账户，他们的数据不再可供收集。另外93.4%(661/708)的用户收集了额外的一周，该过程产生了由194名患者和467名非患者撰写的82,884条tweet的数据集。我们也从推文数据集中排除了同样的47个用户，最终的数据集包含2204条推文，其中325条(14.75%)是正面推文。

MI学习方法

传统的分类问题是有监督的学习问题，其中一个人收到一组单独标记的实例，并试图预测新实例的类标签。相比之下，人工智能学习是一种监督学习方法，其中每个学习示例都是一个一袋实例与1个标签相关联，任务是预测未见袋的标签[51］．

之前关于识别推特上健康提及的研究依赖于传统的监督学习来确定是否推特讨论健康状况[1，2］．但是，我们希望确定是否病人可以在推特上识别，而不是单独检查推文。我们的独特任务和数据的不平衡结构与人工智能学习方法是兼容的——我们有661个用户，每个用户发布的推文数量不同。阳性标签(患者)通过找到至少一项用户患有IBD的证据来集体确定;阴性标签(非患者)意味着所有用户的证据都表明不是这样，或者更确切地说，不足以形成阳性标签。

我们使用了基于元数据的MI方法，并为每个包(用户)提取了一个与任何特定实例(tweet)无关的元数据向量[52］．分类特征一节解释了我们如何应用特征工程技术来生成特征，这些特征可以描述用户本身，而不仅仅是他们的tweet。

为了评估使用这种集体方法的有效性，我们比较了5种标准分类算法在用户级和推特级分类中的结果，如分类模型一节中详细解释的那样。

分类特征

概述

Rao等[38]和Pennacchiotti和Popescu [36，37[]表明，可以通过考虑3种用户分类特征来区分Twitter用户的人口统计学和政治观点:行为特征(从用户在Twitter上的活动中提取的特征)、语言特征(从用户的推文内容中提取的特征)和社会结构特征(描述用户社交网络的特征)。我们遵循他们的工作，并将这些类型调整到我们的不同领域，以区分IBD患者和其他谈论该疾病的患者。我们还将人工智能学习整合到我们的分类设置中，这不是他们研究的一部分。我们为每种特征类型构建了一组分类特征，如下面的部分中详细解释并在表1。

行为特征

这种类型的功能被设计用来捕捉用户在Twitter上的活动:他们多久发一次tweet?他们是写新内容还是主要转发别人?此外，他们多久提到一次IBD?我们计算了数据集中tweet和RT的数量，并计算了每个用户的RT比率。我们计算了他们在推文中使用我们的关键字的次数，以说明他们解决IBD的频率。将用户级分类的聚合特征复制到所有用户的推文中，丰富推文级分类。

语言特征

第二类特征来自于Twitter用户的语言风格:他们用第一人称写作吗?他们是否倾向于使用表情符号或通过URL添加对外部资源的引用?我们使用了两种语言特征。基于以往的研究[36-38]和我们的数据性质，我们从文本中提取了一些我们认为有助于分类的特征。

承认个人和组织在Twitter上的沟通方式不同[35，39]，我们寻找可以区分个人和企业的具体特征，并帮助识别患者。我们检查了数据中每条推文的具体特征:是否使用了表情符号、感叹词或脏话?是用第一人称写的吗?它是否通过URL指向外部源?它是否包含表示提及(@)或标签(#)的Twitter特殊字符?我们使用了Python (Python Software Foundation)库TextBlob增加与情感相关的特征，如文本的极性和主观性。推文的长度和包含的字数也被考虑在内。Python库emoji用来检测文本中的表情符号。来自库的词性标识符nltk用来表示第一人称的用法和识别感叹词。在Python库的基础上不敬的言语，我们建立了一个在文本中搜索的脏话列表。由于与代谢相关的词不一定是脏话，所以我们不得不将列表调整到IBD的特殊领域。

我们从推特级别的功能开始，然后按用户分组以代表个人写作风格。为了反映用户在Twitter上表达自己的方式，我们将RTs排除在聚合之外。例如，使用URL的tweet数量只计算原始tweet的数量。由于在推文级分类器中用户的传记被视为推文，我们在用户级分类器中添加了从传记中提取的语言特征作为生物特征。

在自然语言处理中，有几种方法可以获得文本的向量表示。文本文档的贝叶斯概率模型(称为潜在狄利克雷分配(latent Dirichlet allocation, LDA))是一种比较知名且研究得比较充分的技术。LDA是一种用于发现摘要的主题建模技术主题出现在文件集合中的[53］．

我们使用LDA来表示tweet级和用户级分类特征中的文本。在推文级特征中，每条推文都被认为是一个文档，每条推文都获得表征。对于用户级特性，同一作者的所有tweet被合并到一个文档中，以获得每个用户的表示。数据清理后，所有的特征都使用双字母和双字母表示文本。文本清理过程包括转换为小写，删除标点和停止词，以及将链接和其他特殊符号规范化为标准表示。

社会结构特点

我们讨论的最后一种功能表示用户在Twitter上的社交关系。我们使用Twitter API收集每个用户的关注者和关注者。对于每个用户，我们保留了他们拥有的追随者数量(影响力意义上的out-degree)和他们拥有的追随者数量(in-degree)，并使用对数尺度缩放结果。我们还计算了每个用户的接近中心性度量。将用户级分类的聚合特征复制到所有用户的推文中，丰富推文级分类。

分类模型

为了区分IBD患者和其他发布IBD推文的用户，我们比较了两种分类方法中几种分类算法的性能:SI学习方法，首先对推文进行单独分类，然后根据推文级别的分类推断出用户的类别;基于元数据的MI学习方法，首先将推文级别的特征聚合到用户级别的特征，然后对用户自己进行分类。

基于元数据的MI方法首先将数据从MI转换为SI，然后将标准SI算法应用于转换后的问题[54，55］．为了实现MI方法的用户特征，我们对tweet级别的特征应用了算术求和和平均值，并获得了每个用户的聚合特征(详细信息请参阅分类特征一节)。注意，此过程可能会造成一些信息丢失[56］．

对于这两种方法，我们测试了5种标准和众所周知的二元分类算法，如AdaBoost，梯度增强分类器，线性支持向量机，逻辑回归和随机森林。所有算法均来自Python中的scikit-learn (sklearn)包[57］．

实验

我们将用户数据集分成训练集和测试集(大约80%-20%)。训练集有155名患者和377名非患者，测试集有39名患者和90名非患者;因此，各组之间的比率保持不变。

在推文级别分类中，基于用户的分割，将推文划分为训练集和测试集，属于训练集的用户的推文归属于推文训练集，而属于测试集的用户的推文归属于推文测试集。因此，推文训练集包含263条积极推文和1586条消极推文，而测试集包含62条积极推文和293条消极推文。

我们首先对所有算法进行了超参数优化，并对两种方法的训练数据进行了5倍交叉验证。每个算法和参数测试的值可以在多媒体附录1。

总共使用了4个常用指标来评估模型:精度、召回率、F₁和受试者工作特征曲线下面积(ROC AUC)。所有4个指标都是基于我们感兴趣的正类进行计算的。在我们的设置中，精确度描述了阳性预测确实是患者的概率，召回率描述了分类器检索患者的能力，F₁分数结合了这两者。ROC AUC考虑两类的召回，并测量模型在不收集大量不需要的其他用户的情况下检索患者的能力。

为了选择最佳的算法变体，我们使用了10倍交叉验证技术来可靠地评估预测能力。在这个过程中，我们将训练集随机分成10个大小相等的部分;然后，我们迭代地对9个部分进行训练，并对遗漏的部分进行模型评估。我们重复了这个迭代10次，每次都去掉一个不同的部分。此外，我们用不同的种子初始化重复10次交叉验证过程，以改变随机分裂。每次都会计算性能指标，结果部分中显示的结果显示了这100次迭代的平均值。

在用户级分类中，我们使用Python中的sklearn包在分类过程中获得了所有4个指标。然而，在推文级别的分类中，在直接从sklearn包获得指标之前，还需要另一个聚合阶段——该过程返回每条推文的预测(无论它是由病人写的)，我们必须通过聚合给他们的推文的预测来推断用户的预测。与手动注释过程一样，如果用户的所有tweet都收到0的预测，则认为该用户不耐心，并收到负面预测。或者，如果用户至少有一个积极的预测，他们就被认为是病人，并得到一个积极的预测。然后，我们使用sklearn包根据我们获得的用户预测和他们的真实标签来计算用户级指标。

最后，我们在整个训练集上训练来自每种方法(MI和SI)的模型，并在测试集上评估它们的预测。我们使用内置的特征重要性sklearn方法来研究每个特征对逻辑回归和随机森林算法的贡献。在逻辑回归中，系数的绝对值代表特征的重要性。

分析患者的推文

生活方式相关推文的语料库

这项研究的下一个目标是获得患者描述他们尝试过的与生活方式相关的治疗方法及其症状的推特集合。通过过滤和合并不同的基于web的数据库[58，59]，我们建立了一个包含420个单词的列表，这些单词是食物或体育活动的类型(即与生活方式相关的单词;完整的列表可以在多媒体附录2）.Twitter高级API用于搜索所有提到IBD的tweet(至少包含数据收集和准备部分中描述的3个关键字中的一个):克罗恩病，结肠炎,#炎症性肠病)以及420个与生活方式相关的单词中的至少一个。为了构建搜索查询，我们在IBD关键字和与生活方式相关的单词中使用OR操作符，然后使用and操作符连接这两组。

我们搜索了2019年1月1日至2019年9月30日的相关推文。我们从搜索中排除了RTs和重复的推文，并将搜索限制在英文推文中。搜索结果是20,136条独特的推文，包含8519个不同用户写的新内容。

我们使用研究第一部分的分类器对我们收集的新数据将推文分类为患者推文和用户推文。我们需要为新的8519个用户重新创建分类特性。与第一阶段一样，我们从2019年10月1日至2019年10月7日为所有用户收集了另一周的推文，没有关键字过滤，包括RTs。共有39.52%(3367/8519)的用户是私有的、挂起的或其他不可用的。这个过程产生了5152个用户的数据集，这些用户总共写了402,843条推文。

除了接近中心性之外，我们在新数据上构建了分类特征部分中描述的所有分类特征。获得此功能既昂贵又耗时，因为它是唯一需要收集每个用户的所有关注者和关注者并构建其Twitter网络的功能。由于它不是10个最有用的分类功能之一，我们决定省略它。

然后，我们使用在第一阶段训练的MI随机森林模型(详细信息请参阅分类模型部分)对用户进行分类并识别患者。共有45.79%(2359/5152)的用户被分类为患者，他们撰写了4160条包含我们关键词的原始推文。我们通过删除所有屏幕名(由@字符标识)和url对这些tweet执行了简单的文本清理，并继续对4160条干净的tweet进行分析。

生活方式相关词汇的情感分析

IBM Cloud的自然语言理解(NLU)模块[60]用于对我们的每条推文应用类别分类和关键字提取。类别分类功能的目的是识别文本的主题。给定一个文本，NLU模块提供一个可能的类别和子类别及其相应可能性的列表。关键字提取功能识别文本中高度重要的单词和短语，并计算他们的情绪。给定文本，NLU模块返回关键字列表及其对应的情绪，表示为−1到1的封闭区间上的分数:−1表示极度消极的情绪，1表示极度积极的情绪。得分为0表示该关键字是在中性上下文中提到的。的TextBlob语言特征部分中用于情感分析的库只支持全文情感分析，不支持实体级情感分析。虽然它是免费且易于使用的，但它不适合我们的新任务，因此，我们选择用NLU模块代替它。

目的是确定患者接受的与生活方式相关的治疗，以控制他们的疾病，并确定他们对疾病的看法。因此，我们将分析重点放在与健康和营养相关的关键词上。我们将NLU模块分类的所有推文分组为相关的健康与健身(2080条),食物和饮料(1568条推文)，或者宗教和精神(15条)。总的来说，3663条推文被选中进行关键字情感分析。我们收集了所有出现在我们预定义的生活方式相关词汇列表中的关键词，以及它们在每条推文中对应的情绪。文中一共给出了3个实例表2。注意，在第二个示例中，原始tweet的第一个单词(用@符号标记)是一个屏幕名，因此在清理过程中被删除了。

数量	原始文本	清理后的文字	类别分类	关键字的情绪
1	菠菜是一种含有大量硫的炎症性食物。也禁止这个。(我注意到我的克罗恩病往往会在菠菜季节发作。)	菠菜是一种含有大量硫的炎症性食物。也禁止这个。(我注意到我的克罗恩病往往会在菠菜季节发作。)	食物和饮料	菠菜:−0.63
2	@bottomline_ibd很棒的投票。我确实偶尔会酗酒，但炎症性肠病改变了我能喝的东西。不再喝红酒或麦酒	伟大的调查。我确实偶尔会酗酒，但炎症性肠病改变了我能喝的东西。不再喝红酒或麦酒	食物和饮料	红酒:−0.83;啤酒:−0.83
3.	我就是一个活生生的例子，证明瑜伽可以帮助我们#芝加哥瑜伽#studiothree #瑜伽#ibd	我就是一个活生生的例子，证明瑜伽可以帮助我们#芝加哥瑜伽#studiothree #瑜伽#ibd	宗教和精神	瑜伽:0.69

为了检验每个与生活方式相关的短语(简而言之就是生活方式)的有效性，并评估其整体情绪，我们将结果按生活方式汇总，并计算出以下统计数据:生活方式在所有推文中出现的总次数，在积极(或消极)上下文中出现的次数，出现次数的正负比(几率)，以及生活方式的平均情绪。

我们利用统计数据建立了一个共现网络，将生活方式和他们的平均情绪之间的联系可视化。不同的生活方式是节点，如果两种生活方式出现在同一条推特上，则用一条弧将它们连接起来。他们在一起出现的次数越多，两种生活方式之间的联系就越紧密。因此，得到的网络是无向的，并由两种生活方式共同出现的次数加权。目的是确定有益的生活方式(经常在积极的环境中提到)和最好避免的生活方式(经常在消极的环境中提到)，并检查某些生活方式是否倾向于同时实施。

获取网络Gephi软件(GNU通用公共许可证)用于网络分析和可视化。每个节点都根据它所代表的生活方式的平均情绪从绿色到红色涂上颜色，绿色表示非常积极，红色表示非常消极。节点的大小反映了这些生活方式在推特数据库中被提及的次数:它们出现的次数越多，节点就越大。每条弧线的厚度代表两种生活方式同时出现的次数:弧线越粗，两种生活方式同时出现的次数越多。为了避免得到一个过于密集的网络，我们只考虑了在我们的数据库中被提及至少五次的生活方式节点。我们纳入了至少四次同时出现的生活方式之间的弧线。这一过程产生了144种生活方式，并按平均情绪排序成表格。

道德的注意

Twitter数据的收集和分析可能会带来道德挑战，应该妥善处理。Twitter的数据是公开的，可以通过Twitter api进行研究。通过接受Twitter的服务条款和隐私政策，Twitter用户承认他们的推文可以在全球范围内即时查看，并且他们的信息可能被第三方收集[61］．尽管如此，社交媒体研究显示，推特上的用户感觉像是在与他们的追随者和追随者进行私人对话。62，63］．虽然他们通常不关心自己的帖子被用于研究目的，但他们希望在发表时匿名，并在发表前征得他们的同意。

获得所有用户的知情同意参与对推特数据的研究可能是不可行的。数据集可能很大，涉及许多作者[61-63］．在我们的研究中，单独寻求所有722名用户的同意将是费力的，或者是不可能的，因为有些人可能无法联系到。此外，向用户提供完全匿名的同时直接引用他们的内容是不现实的;推文很容易被搜索，这使得其作者很容易被识别。

为了遵守道德规范和维护用户隐私，我们只发布不透露特定用户的汇总结果。直接引用推文的3个例子表2)在获得作者的知情同意后出现在本研究中。

结果

病人识别

表3显示了两种分类方法的10倍交叉验证和测试结果:SI对tweet进行分类，MI对用户进行分类。下表显示了所有5种分类算法的4个指标的结果。

两种方法对患者的分类结果都令人满意。虽然SI方法的准确率略高，但MI方法的召回指数更好，并且MI方法的ROC AUC测量结果始终较高。图3显示测试集结果中4个度量之间的差异。

‎ 查看此图

调查每个特征对逻辑回归和随机森林算法的贡献，显示了使用第一人称语音的重要性。在两种分类方法和算法中，最重要的特征是使用第一人称，这比其他特征具有显著的优势。第一人称标志是SI方法的最佳特征，其平均值是MI方法的最佳特征。另一个主要特征是使用脏话，因为这是方法和算法中最重要的特征之一。

分析还强调了文本衍生的LDA特征的重要性。对于逻辑回归和随机森林算法来说，SI方法的第二个最佳特征是LDA主题11。这是唯一一个不包含ibd相关词汇的主题。MI方法的第四个和第五个最重要的主题对于两种算法是相同的- lda主题分别为17和9。在每种方法的训练数据上创建的LDA主题可以在多媒体附录3。

分析患者的推文

在研究的第二阶段，建立并可视化了生活方式之间的联系网络。所得到的描述不同生活方式之间关系的网络可以在多媒体附录4。

我们数据库中最常见的单词是饮食，囊括了患者为控制疾病而进行的所有营养调整。特定的饮食，比如穿越，素食者,或液体饮食也出现在负面的背景下。

有趣的是，分析揭示的消极和积极的生活方式与已知的适合IBD的营养一致。在最消极的生活方式中，我们发现酒精，牛奶，辣味，卷心菜，面粉，扁豆，和橙汁，这些食物都会引起炎症，刺激胃部。在最积极的生活方式(平均情绪)中，我们发现与活动相关的生活方式，如健身或瑜伽还有治疗食物，比如大马哈鱼，姜,大蒜。最积极的生活方式是寿司，通常含有抗炎成分，如大马哈鱼或金枪鱼，海藻,大米。表4呈现20个最积极和20个最消极的生活方式相关的单词，按平均情绪排序。

讨论

主要研究结果

这项研究提出了一个在Twitter上识别IBD患者并探索其推文的工作流程。目的是根据他们在Twitter上的交流方式来识别IBD患者，并从他们分享的个人经历中学习。

在研究的第一阶段，构建并评估了一个Twitter用户分类器，旨在将IBD患者与其他用户区分开来。结合社交数据和文本分析的分类特征从用户在Twitter上的活动、他们的社交关系和他们的推文内容中提取出来。考虑了各种分类算法，并为每种算法计算了4个评价指标。在上一节中显示的令人鼓舞的结果帮助我们相信可以根据这些特征在Twitter上识别IBD患者。

SI和MI方法的分类结果表明，IBD患者在Twitter上的交流方式与在Twitter上谈论该疾病的其他用户不同。他们更多地用第一人称说话，在推特上使用更多的脏话。这些差距可以解释为患者是私人个体，而非患者也包括以更正式的方式交流的组织和自愿协会，这有助于在我们在本研究中尝试的不同分类模型中区分患者和其他实体。

我们的分析与之前关于Twitter用户分类的研究不同[36-38在两个方面。从概念上讲，我们调查了一个不同的领域，并试图在Twitter上识别患者。实际上，我们将用户级分类的结果与tweet级分类的结果进行比较。

在研究的第二阶段，研究人员收集了IBD患者的推特，以调查他们为应对疾病而采取的不同生活方式，并评估这些生活方式的有效性。与之前对推特上患者情绪的研究不同[48-50]，我们的研究重点是特定词语的实体情绪，而不是整个推文的情绪。我们提出了一种新颖的方法，通过考虑实体情感分析来获得患者对他们尝试的不同营养和健身解决方案的看法。这些发现与已知的IBD一致，因为几种已知会引起炎症的食物被认为是消极的，而放松活动和抗炎食物则出现在积极的环境中。

这项研究表明，在了解慢性疾病方面，医生和工程师之间有合作的空间。由于这种疾病的慢性性质以及它涉及肠道运动的事实，IBD患者被迫遵循特殊的营养并保持平静的日常生活。通过收集和分析患者在社交媒体上的个人经历，监测患者的生活方式，支持IBD的医学知识。我们可以识别和评估饮食和体育活动的补充治疗，也许可以减轻患者找到适合他们的治疗方法的过程。虽然这种分析不应试图取代医生或得出临床性质的结论，但它可以根据人群的智慧为健康生活方式提供补充建议。

局限性和未来工作

概述

这项研究的重点是展示在Twitter上识别IBD患者并从他们的推文中学习的潜力。这个研究强调的是整个过程，我们并没有单独完善每一个部分。正如本节所解释的，每个部分都可以通过尝试不同的方法和丰富分析来改进。

病人识别

本研究第一阶段开发的分类器使用一级二元分类将IBD患者与其他关于该疾病的推文用户区分开来。它的一些特征将组织与一般的个人区分开来，并不一定能检测到病人，比如在推文中使用第一人称。因此，我们的非患者类是异质的，有些模棱两可，既包括在沟通模式上与患者显著不同的组织，也包括在更精细的方式上与患者不同的健康个体。即使在人工标注过程中，由于分类分歧而被排除在数据集之外的所有14个用户都是以第一人称说话的个人。

未来工作的一个可能方向是尝试两步分类:将个人从组织中分离出来，然后继续在这些个人中寻找患者。它可以通过克服模型中非患者类别的异质性来提高某些特征的鲁棒性。或者，我们可以尝试用多项分类法取代二元分类法，这样不仅可以捕获组织和患者，还可以捕获谈论疾病的个人，可能会提到其他患者，但自己并没有生病。

在构建基于网络的特征时，我们只收集Twitter上的即时连接(即每个患者的关注者和关注者)。抽样方法得到的基本网络特征主要包括度测度。我们鼓励未来的研究考虑更多有趣的网络特征，如其他中心性度量或结构。这样的增强将需要收集至少一个以上的连接级别(例如，followers of followers)来更好地理解网络模式。

最后，分类器使用标准的分类算法，而没有尝试基于神经网络的当前最先进的学习技术。使用词嵌入的文本表示，其中词被映射到预定义向量空间中的实数向量[64，65，也值得研究。

分析患者的推文

本研究使用IBM Cloud的NLU模块进行实体情感分析，作为概念验证。我们没有评估它的结果，也没有将它们与市场上可用的类似工具(如Google Cloud的自然语言API)进行比较。未来的研究应该考虑使用不同的自然语言处理工具进行类似的分析，并比较它们的结果。即使是在与生活方式相关的推文数据上训练指定的算法，比如在这项研究中使用的那些，也能使分析受益。

总的来说，第二部分的结果是初步的，并且可以做更多的工作来了解IBD患者在Twitter上谈论什么。例如，通过描述治疗方案和患者对它们的看法，人们可以根据人群的智慧得出健康生活方式的建议。彻底探索异常值，例如4个正面提到牛奶而不是35个负面提到牛奶，可以揭示尚未在文献中覆盖的有关该疾病的新信息。

结论

在个性化医疗和以患者为中心的护理时代，获得反映患者观点的见解非常重要，这些观点体现在社交媒体上。虽然医生预约之间的时间间隔可能很长，但社交媒体上的信息每天都在发布，患者不断使用它们来交换意见和建议。

这项研究为在Twitter上识别慢性疾病患者并收集他们的推文以分析他们在网络上分享的实验知识提供了一个潜在的管道。本研究中提出的方法适用于IBD，也可以帮助探索其他医疗条件。ibd相关实体的分类器可以用于识别其他慢性疾病患者。对患者推文的分析有助于研究其他具有类似特征的慢性疾病。对于乳糜泻或糖尿病等涉及严格饮食指南的疾病，人们可以更好地理解患者坚持新生活方式的困难。当考虑诸如艾滋病毒等令人尴尬的疾病时，人们可以更多地了解患有这种疾病的患者的持续斗争。

因此，本研究的贡献是双重的:它为文本挖掘和社交媒体领域提供了分析贡献，并通过更好地了解慢性疾病和促进慢性疾病患者的健康生活方式做出了实际贡献。