Towards Large-scale Twitter Mining for Drug-related Adverse Events.
Towards Large-scale Twitter Mining for Drug-related Adverse Events.
复制标题
DOI：
10.1145/2389707.2389713
复制
发表时间：
2012-10-29
期刊：
影响因子：
--
通讯作者：
Yu F
中科院分区：
文献类型：
--
作者：
Bian J;Topaloglu U;Yu F
药物相关不良事件对上市后用药的患者构成重大风险或药物相关不良事件对上市后用药或临床试验用药的患者构成重大风险。早期发现不良事件不仅有利于药品监管机构，也有利于制造商提高药物警戒。现有的方法依赖于患者“自发”的自我报告来证明问题。Twitter等社交媒体平台的日益普及为我们发现潜在不良事件提供了新的信息来源。考虑到用户更新的高频率，挖掘Twitter信息可以让我们进行实时药物警戒。在本文中，我们描述了一种方法，通过使用自然语言处理（NLP）分析twitter消息的内容来发现吸毒者和潜在的不良事件，并建立支持向量机（SVM）分类器。由于数据集的规模（即20亿条推文），实验是在高性能计算（High Performance Computing， HPC）平台上使用MapReduce进行的，这体现了大数据分析的趋势。研究结果表明，日常生活中的社交网络数据可以帮助早期发现重要的患者安全问题。
Drug-related adverse events pose substantial risks to patients who consume post-market or Drug-related adverse events pose substantial risks to patients who consume post-market or investigational drugs. Early detection of adverse events benefits not only the drug regulators, but also the manufacturers for pharmacovigilance. Existing methods rely on patients’ “spontaneous” self-reports that attest problems. The increasing popularity of social media platforms like the Twitter presents us a new information source for finding potential adverse events. Given the high frequency of user updates, mining Twitter messages can lead us to real-time pharmacovigilance. In this paper, we describe an approach to find drug users and potential adverse events by analyzing the content of twitter messages utilizing Natural Language Processing (NLP) and to build Support Vector Machine (SVM) classifiers. Due to the size nature of the dataset (i.e., 2 billion Tweets), the experiments were conducted on a High Performance Computing (HPC) platform using MapReduce, which exhibits the trend of big data analytics. The results suggest that daily-life social networking data could help early detection of important patient safety issues.
登录
查看更多内容
影响因子：
7.4
作者：
Cobb NK;Graham AL;Byron MJ;Niaura RS;Abrams DB;Workshop Participants
通讯作者：
Workshop Participants
影响因子：
9.9
作者：
Kuhn M;Campillos M;Letunic I;Jensen LJ;Bork P
通讯作者：
Bork P
影响因子：
2.4
作者：
Osborne, Matthew T.;Kenah, Eben;Tien, Joseph
通讯作者：
Tien, Joseph
影响因子：
56.9
作者：
Golder, Scott A.;Macy, Michael W.
通讯作者：
Macy, Michael W.
影响因子：
2.2
作者：
Millman, E. Anne;Pronovost, Peter J.;Wu, Albert W.
通讯作者：
Wu, Albert W.