[논문 리뷰] A Sentiment Analysis of Breast Cancer Treatment Experiences and Healthcare Perceptions Across Twitter

Eric M. Clark, Ted A. James외 5명|arXiv (Cornell University)|2018. 05. 25.

Social Media in Health Education인용 수 28

한 줄 요약

이 연구는 유료 기계학습과 자연어 처리(NLP)를 사용하여 유방암과 관련된 530만 건의 트위터 트윗을 분석하여 환자가 보고한 경험과 감정을 파악한다. 그 결과, 치료 경험은 종종 긍정적으로 공유되는 반면, 의료 서비스에 대한 논의는 주로 부정적이며, 제안된 정치적 개혁 하에 보험 보상 상실에 대한 우려가 주요 원인임을 밝혀냈다.

ABSTRACT

Background: Social media has the capacity to afford the healthcare industry with valuable feedback from patients who reveal and express their medical decision-making process, as well as self-reported quality of life indicators both during and post treatment. In prior work, [Crannell et. al.], we have studied an active cancer patient population on Twitter and compiled a set of tweets describing their experience with this disease. We refer to these online public testimonies as "Invisible Patient Reported Outcomes" (iPROs), because they carry relevant indicators, yet are difficult to capture by conventional means of self-report. Methods: Our present study aims to identify tweets related to the patient experience as an additional informative tool for monitoring public health. Using Twitter's public streaming API, we compiled over 5.3 million "breast cancer" related tweets spanning September 2016 until mid December 2017. We combined supervised machine learning methods with natural language processing to sift tweets relevant to breast cancer patient experiences. We analyzed a sample of 845 breast cancer patient and survivor accounts, responsible for over 48,000 posts. We investigated tweet content with a hedonometric sentiment analysis to quantitatively extract emotionally charged topics. Results: We found that positive experiences were shared regarding patient treatment, raising support, and spreading awareness. Further discussions related to healthcare were prevalent and largely negative focusing on fear of political legislation that could result in loss of coverage. Conclusions: Social media can provide a positive outlet for patients to discuss their needs and concerns regarding their healthcare coverage and treatment needs. Capturing iPROs from online communication can help inform healthcare professionals and lead to more connected and personalized treatment regimens.

연구 동기 및 목표

• 기계학습과 NLP를 활용해 소셜 미디어에서 환자가 보고한 경험을 자동으로 식별하는 방법을 개발하기 위해.
• 유방암 치료 및 의료 서비스 인식과 관련된 트윗의 감정을 정량화하기 위해.
• 소셜 미디어가 실시간 환자 중심의 건강 데이터(비공식 환자 보고 결과, iPROs)로 활용될 수 있는 방법을 탐색하기 위해.
• 트위터 데이터를 활용해 미국 의료법(ACA)과 같은 의료 정책 변화에 대한 대중의 감정을 평가하기 위해.
• 소셜 미디어가 실시간 공중보건 감시와 환자 참여를 위한 도구로 활용될 잠재력을 입증하기 위해.

제안 방법

• 15개월 동안 트위터의 스트리밍 API를 사용해 '유방'과 '암'을 포함하는 530만 건의 공개 트윗을 수집하였다.
• 단어 임bedding을 사용한 합성곱 신경망(CNN)을 적용하여 환자 경험과 관련된 트윗을 분류하였다.
• 문맥적으로 관련된 콘텐츠를 식별하기 위해 845건의 수작업 레이블링된 환자 트윗 데이터셋을 기반으로 분류기 모델을 훈련시켰다.
• 행복도 감성 분석을 수행하여 환자 서사의 정서적 톤을 정량화하였다.
• 노이즈 감소와 맥락 탐지 향상을 위해 7,640만 건의 '암' 전용 트윗으로 구성된 보조 데이터셋을 사용하였다.
• 수작업 검토를 통해 결과를 검증하고, 키워드 기반 필터링 방법과의 성능을 비교하였다.

실험 결과

연구 질문

• RQ1 기계학습과 NLP는 트위터에서 유방암과 관련된 환자 보고 경험을 자동으로 식별하는 데 어떻게 활용될 수 있는가?
• RQ2 유방암 치료 및 의료 접근성에 관해 논의하는 트윗에서 지배적인 감정 패턴은 무엇인가?
• RQ3 정치적 의료 개혁은 소셜 미디어에서 유방암 환자들의 대중 감정에 어떤 영향을 미치는가?
• RQ4 소셜 미디어는 실시간으로 환자 중심의 건강 데이터(iPROs)로 활용될 수 있는 정도는 어느 정도인가?
• RQ5 트위터에서 환자들이 치료 경험과 체계적 의료 문제에 관해 논의할 때 감정의 성향은 어떻게 비교되는가?

주요 결과

• CNN 기반 분류기는 더 큰 데이터셋에서 845건의 관련 환자 경험 트윗을 성공적으로 식별하여 자동 콘텐츠 필터링의 가능성을 입증하였다.
• 치료, 정서적 지원, 인식 캠페인에 관해 논의하는 트윗에서는 긍정적 감성이 뚜렷하게 나타났다.
• 특히 미국 의료법 하에 보험 보상 상실에 대한 우려가 주요 원인인 바, 의료에 관한 논의는 부정적 감성이 지배적이었다.
• 온라인 유방암 커뮤니티는 제안된 의료 개혁에 대해 강력한 반대 입장을 보였으며, 이는 중요한 정치적 및 정서적 반응을 반영한다.
• 소셜 미디어는 전통적인 보고 방식에서 놓치기 쉬운 환자 감정과 공중보건 인식을 실시간으로 캡처하는 데 유용한 플랫폼이다.
• 이 연구는 소셜 미디어가 의료 정책에 대한 환자의 목소리를 확산시켜 정치적 논의와 대중 인식에 영향을 줄 수 있음을 확인한다.