شناسایی و دسته بندی عوارض جانبی داروها درشبکه های اجتماعی با رویکرد بکارگیری روش های یادگیری عمیق در متن کاوی

امروزه مطالعات در حوزه سلامتی در کانون توجه رسانه های اجتماعی قرار گرفته است. شبکه های اجتماعی، همانند توئیتر، یک ابزار آنلاین ارزشمند برای توصیف تشخیص زودهنگام عوارض جانبی متفاوت داروها می باشند.از آنجا که داروهای مختلف اثرات نامطلوبی بر روی سلول ها و بافت های مختلف دارند، که در اکثر مواقع بیش از یک مولکول سلولی را تحت تاثیر قرار می دهند. لذا این نوع از عوارض جانبی گاهی اوقات به صورت مستقیم و یا غیرمستقیم بر اساس میزان داروی تجویز شده، در ارتباط هستند که می توانند صدمات جبران ناپذیری را ایجاد کنند. این مطالعه با هدف نشان دادن یک روش سریع و دقیق به منظور جمع آوری و دسته بندی اطلاعات مربوط به داده های تایید شده در توئیتر می باشد. این مطالعه، با استفاده از مجموعه داده های توئیتراز طریق به کارگیری روش word2vec با ایجاد جداول مربوط به ارتباط کلمات و به کاربردن آن ها درروش های یادگیری عمیق دسته بندی نظرات ارسال شده توسط کاربران توئیتر در خصوص عوارض جانبی داروها صورت گرفت. زبان پردازش طبیعی NLP با استفاده از روش های یادگیری عمیق می تواند به صورت پیشرفته تری یادگیری را انجام داده و نتایج قابل توجهی را تولید نماید. علاوه بر این، مطالعه فعلی مزایای استفاده از ویژگی های مختلف معنایی شامل استخراج موضوعات و مفاهیم و دسته بندی متون را برجسته کرده است. از این رو؛ روش های دسته بندی به کار گرفته شده در این مطالعه توانستند با استفاده از روش HAN با دقت 93 ٪ نظرات کاربران توئیتر در خصوص عوارض جانبی داروها را به شیوه ای باینری پیش بینی نمایند.به رغم مزیت واضح دسته بندی های متداول، بنظر می رسد روش های دسته بندی متن مبتنی بر یادگیری عمیق؛ ابزار دقیق و تاثیر گذاری برای تشخیص عوارض جانبی داروها هستند.

کلیدواژه ها:

یادگیری عمیق ، متن کاوی ، شبکه های اجتماعی ، پردازش زبان طبیعی ، دسته بندی ، عوارض جانبی