[論文レビュー] Social media mining for identification and exploration of health-related information from pregnant women

Pramod Bharadwaj Chandrashekar, Arjun Magge+2 more|arXiv (Cornell University)|Feb 8, 2017

Topic Modeling参考文献 26被引用数 10

ひとこと要約

本研究では、NLPと機械学習を組み合わせたハイブリッドパイプラインを提案し、ソーシャルメディア上にいる妊婦を特定し、その縦断的健康投稿を収集し、妊娠3期にわたる薬物使用パターンを分析する。ルールベースの検出と教師あり分類器（Fスコア0.81）を用いて、TwitterとDailyStrengthから34,895人のユーザータイムラインを同定し、言及頻度が低くても薬物摂取パターンが検出可能であることが明らかになった。

ABSTRACT

Widespread use of social media has led to the generation of substantial amounts of information about individuals, including health-related information. Social media provides the opportunity to study health-related information about selected population groups who may be of interest for a particular study. In this paper, we explore the possibility of utilizing social media to perform targeted data collection and analysis from a particular population group -- pregnant women. We hypothesize that we can use social media to identify cohorts of pregnant women and follow them over time to analyze crucial health-related information. To identify potentially pregnant women, we employ simple rule-based searches that attempt to detect pregnancy announcements with moderate precision. To further filter out false positives and noise, we employ a supervised classifier using a small number of hand-annotated data. We then collect their posts over time to create longitudinal health timelines and attempt to divide the timelines into different pregnancy trimesters. Finally, we assess the usefulness of the timelines by performing a preliminary analysis to estimate drug intake patterns of our cohort at different trimesters. Our rule-based cohort identification technique collected 53,820 users over thirty months from Twitter. Our pregnancy announcement classification technique achieved an F-measure of 0.81 for the pregnancy class, resulting in 34,895 user timelines. Analysis of the timelines revealed that pertinent health-related information, such as drug-intake and adverse reactions can be mined from the data. Our approach to using user timelines in this fashion has produced very encouraging results and can be employed for other important tasks where cohorts, for which health-related information may not be available from other sources, are required to be followed over time to derive population-based estimates.

研究の動機と目的

• 特に市場承認前臨床試験に含まれない妊婦の縦断的健康データの不足に対処すること。
• Twitter や DailyStrength などのソーシャルメディアプラットフォームで、妊婦をスケーラブルに特定・追跡する手法を開発すること。
• 時間経過に伴ってユーザータイムラインから、特に薬物摂取や有害反応に関する健康関連情報を抽出・分析すること。
• 脆弱な集団における薬物動態監視の補完的ソースとして、ソーシャルメディアを活用する可能性を評価すること。
• 代表されない集団グループにおけるコhort同定および縦断的健康モニタリングの汎用的パイプラインを確立すること。

提案手法

• 『pregnant』、『due date』、『baby bump』などの用語に焦点を当て、妊娠発表を検出するルールベースのキーワード検索を実施した。
• 100件の手動アノテーション付きツイートで訓練された教師あり二値分類器を適用し、初期のルールベース結果からの誤検出をフィルタリングした。妊娠クラスのFスコアは0.81を達成した。
• 特定されたユーザーデータを時間経過にわたって収集し、TwitterおよびDailyStrengthの両方で個々の健康タイムラインを構築した。
• 時間的ヒューリスティクスと言語的手がかりを用いて投稿を特定の妊娠3期に割り当てたが、この方法は最適でないと指摘された。
• 後処理段階での再現率向上を目的に、一般的な名前、略語、スペルのバリエーションを含めて薬物言及検出を拡張した。
• 固有表現認識や時系列関係抽出を含むNLP技術の組み合わせを適用し、ユーザータイムライン内の健康イベントおよび薬物露出を分類した。

実験結果

リサーチクエスチョン

• RQ1 ソーシャルメディアデータは、縦断的健康モニタリングのための妊婦の特定・追跡に効果的に利用可能だろうか？
• RQ2 ルールベースおよび機械学習技術は、ソーシャルメディアテキストにおける妊娠発表をどれほど正確に検出できるだろうか？
• RQ3 薬物摂取や有害反応などの健康関連情報は、どれほど信頼性高くユーザータイムラインから抽出できるだろうか？
• RQ4 ソーシャルメディア投稿に反映される薬物使用パターンは、妊娠3期にわたりどのように変化するだろうか？
• RQ5 提案されたパイプラインは、公衆衛生研究の分野で、他の代表されない集団やアクセスが難しい集団グループに一般化可能だろうか？

主な発見

• ルールベースのコhort同定法により、30か月間にわたりTwitterから53,820人のユーザーデータが収集され、そのうち34,895人が分類器により妊婦として確認された。
• 妊娠発表分類器はFスコア0.81を達成し、ソーシャルメディアコンテンツにおける自覚的妊娠の同定において、高い正確性と再現率を示した。
• 34,895人のユーザーデータから得られた縦断的タイムラインにより、薬物摂取パターンの検出が可能になった。イブプロフェンは、第1期に76人、第2期に72人、第3期に90人が言及した。
• 大多数の薬物について言及頻度が低かった（例：0.5%未満）ものの、3期にわたる一貫した薬物使用パターンが観察され、検出可能なトレンドがあることが示された。
• 本アプローチにより、DailyStrengthから11,435人のユーザーデータから合計257,531件の投稿が回収され、より長い投稿により詳細な健康情報抽出が可能になった。
• 制限事項として、時制や時系列順序の処理が不十分であること、ツイートにおける性別の曖昧さ、および最適でない3期分類が指摘され、今後の改善が求められた。