TY - JOUR AU - ElSherief, Mai AU - Sumner, Steven A AU - Jones, Christopher M AU - Law, Royal K AU - Kacha-Ochana, Akadia AU - Shieber, Lyna AU - Cordier, LeShaundra AU - Holton, Kelly AU - De Choudhury, Munmun PY - 2021 DA - 201/12/22 TI -描述和识别与阿片类药物使用障碍有关的网络错误信息的流行:机器学习方法JO - J Med Internet Res SP - e30753 VL - 23 IS - 12 KW -阿片类药物使用障碍KW -物质使用KW -成瘾治疗KW -错误信息KW -社交媒体KW -机器学习KW -自然语言处理AB -背景:扩大阿片类药物使用障碍(mod)的药物获取和使用是过量预防的关键组成部分。接受mod的一个重要障碍是在个人通常寻求信息的社交媒体或基于网络的论坛上接触到不准确和可能有害的健康错误信息。非常需要设计计算技术来描述与mod相关的基于网络的健康错误信息的流行情况，以促进缓解工作。目的:通过采用多学科混合方法策略，本文旨在提出机器学习和自然语言分析方法，以识别与mod相关的基于网络的错误信息的特征和流行程度，为未来的预防、治疗和响应工作提供信息。方法:该团队利用Twitter(6,365,245个帖子)、YouTube(99,386个帖子)、Reddit(13,483,419个帖子)和Drugs-Forum(5549个帖子)的英语公开社交媒体帖子和评论。利用公共卫生专家对2400个社交媒体帖子样本的注释，该团队开发了一种有监督的机器学习分类器，这些帖子在语义上与基于表征学习的各种流行阿片类药物使用障碍相关神话最相似。这个分类器确定了一个帖子的语言是否促进了挑战成瘾治疗的主要神话之一:使用激动剂治疗抑郁症只是简单地用另一种药物取代一种药物。随后，通过机器用分类器标记所有未注释的帖子，并注意神话指示性帖子占所有帖子的比例，计算平台级别的患病率。结果:我们的研究结果显示，在识别以阿片类药物使用障碍治疗神话为中心的社交媒体帖子方面，准确率为91%，曲线下面积为0.9，包括这些讨论在流行度和语言特征方面在不同平台上的差异，在基于网络的健康社区(如Reddit和Drugs-Forum)上流行度最低，在Twitter上最高。 Specifically, the prevalence of the stated MOUD myth ranged from 0.4% on web-based health communities to 0.9% on Twitter. Conclusions: This work provides one of the first large-scale assessments of a key MOUD-related myth across multiple social media platforms and highlights the feasibility and importance of ongoing assessment of health misinformation related to addiction treatment. SN - 1438-8871 UR - //www.mybigtv.com/2021/12/e30753 UR - https://doi.org/10.2196/30753 UR - http://www.ncbi.nlm.nih.gov/pubmed/34941555 DO - 10.2196/30753 ID - info:doi/10.2196/30753 ER -