Sociālo mediju dati, kas izmantoti garīgās veselības stāvokļu un diabēta identificēšanai
Jauns pētījums liecina, ka ieguves dati no sociālo mediju vietnēm var palīdzēt profesionāļiem identificēt un pārvaldīt dažādus veselības stāvokļus, tostarp diabētu, trauksmi, depresiju un psihozi.
Pētnieki no Penn Medicine un Stony Brook universitātes analizēja Facebook ierakstus un uzskata, ka ziņās ietvertā valoda varētu būt slimības indikators. Turklāt, ja persona sniedz piekrišanu, amatus varētu uzraudzīt tāpat kā fiziskos simptomus.
Pētījums parādās PLOS ONE.
"Šis darbs ir agrs, taču mēs ceram, ka no šīm ziņām iegūtās atziņas varētu izmantot, lai labāk informētu pacientus un pakalpojumu sniedzējus par viņu veselību," sacīja vadošā autore Raina Merchant, MD, MS, Penn Medicine Digitālās veselības centra direktore. un ārkārtas medicīnas asociētais profesors.
"Tā kā sociālo mediju ziņās bieži tiek runāts par kāda cilvēka dzīvesveida izvēli un pieredzi vai viņu pašsajūtu, šī informācija varētu sniegt papildu informāciju par slimību pārvaldību un saasināšanos."
Izmantojot automatizētu datu vākšanas paņēmienu, pētnieki analizēja visu Facebook ziņu vēsturi gandrīz 1000 pacientiem, kuri piekrita, ka viņu elektronisko medicīnisko ierakstu dati ir saistīti ar viņu profiliem.
Pēc tam pētnieki izveidoja trīs modeļus, lai analizētu viņu prognozēšanas spējas pacientiem: viens modelis analizēja tikai Facebook ziņu valodu, otrs, kas izmantoja tādus demogrāfiskos datus kā vecums un dzimums, un pēdējais, kas apvienoja abas datu kopas.
Izpētot 21 dažādus apstākļus, pētnieki atklāja, ka visi 21 bija paredzami tikai no Facebook. Faktiski 10 no apstākļiem tika labāk prognozēti, izmantojot Facebook datus, nevis demogrāfisko informāciju.
Daži no Facebook datiem, kas tika uzskatīti par prognozējošākiem nekā demogrāfiskie dati, šķita intuitīvi. Piemēram, tika pierādīts, ka “dzēriens” un “pudele” vairāk prognozē alkohola pārmērīgu lietošanu.
Tomēr citi nebija tik viegli. Piemēram, cilvēkiem, kuri savos ierakstos visbiežāk minēja reliģisko valodu, piemēram, “Dievs” vai “lūdz”, bija 15 reizes lielāka iespēja saslimt ar diabētu nekā tiem, kuri šos vārdus lietoja vismazāk. Turklāt vārdi, kas pauž naidīgumu, piemēram, „mēms” un daži skaidrojoši vārdi, kalpoja kā narkotiku lietošanas un psihozes rādītāji.
"Mūsu digitālā valoda aptver spēcīgus mūsu dzīves aspektus, kas, iespējams, ir diezgan atšķirīgi no tradicionālās medicīnas datiem," sacīja pētījuma vecākais autors Endrjū Švarcs, doktors.
"Daudzi pētījumi tagad ir parādījuši saikni starp valodas modeļiem un specifiskām slimībām, piemēram, depresiju prognozējošā valoda vai valoda, kas sniedz ieskatu par to, vai kāds dzīvo ar vēzi. Tomēr, aplūkojot daudzus medicīniskos apstākļus, mēs iegūstam priekšstatu par to, kā apstākļi ir saistīti viens ar otru, kas var ļaut jaunus AI pielietojumus medicīnā. "
Pagājušajā gadā daudzi šīs pētnieku grupas dalībnieki varēja parādīt, ka Facebook ziņu analīze varētu prognozēt depresijas diagnozi pat trīs mēnešus agrāk nekā diagnoze klīnikā.
Šis darbs balstās uz šo pētījumu un parāda, ka varētu būt potenciāls izstrādāt izvēles sistēmu pacientiem, kas varētu analizēt viņu sociālo mediju ierakstus un sniegt papildu informāciju ārstiem, lai uzlabotu aprūpes sniegšanu. Tirgotājs teica, ka ir grūti paredzēt, cik plaši šāda sistēma būtu izplatīta, taču tā "varētu būt vērtīga" pacientiem, kuri bieži izmanto sociālos medijus.
"Piemēram, ja kāds mēģina zaudēt svaru un viņam ir nepieciešama palīdzība, lai izprastu ēdiena izvēli un vingrojumu režīmu, veselības aprūpes sniedzējam pārskatot viņu sociālo mediju ierakstu, tas varētu dot viņiem lielāku ieskatu viņu parastajos modeļos, lai palīdzētu tos uzlabot," sacīja tirgotājs. .
Vēlāk šogad Tirgotājs veiks lielu izmēģinājumu, kurā pacientiem tiks lūgts tieši kopīgot sociālo mediju saturu ar savu veselības aprūpes sniedzēju. Tas ļaus uzzināt, vai ir iespējams pārvaldīt šos datus un tos pielietot, kā arī to, cik daudz pacientu faktiski piekristu, ka viņu konti tiek izmantoti aktīvās aprūpes papildināšanai.
"Viens izaicinājums ir tas, ka ir tik daudz datu, un mēs kā pakalpojumu sniedzēji neesam apmācīti tos paši interpretēt vai pieņemt uz to balstītus klīniskus lēmumus," skaidroja Tirgotājs. "Lai to novērstu, mēs izpētīsim, kā apkopot un apkopot sociālo mediju datus."
Avots: Pensilvānijas Universitātes Medicīnas skola
