[论文解读] Understanding COVID-19 News Coverage using Medical NLP

Ali Emre Varol, Veysel Kocaman+2 more|arXiv (Cornell University)|Mar 19, 2022

Misinformation and Its Impacts被引用 5

一句话总结

本研究使用 Spark NLP for Healthcare 的医疗 NLP 模型，分析了来自 CNN 和《卫报》（2020–2021 年）的超过 36,000 篇 COVID-19 新闻文章，提取并关联了症状、药物、疫苗和不良事件等医疗实体。研究揭示了媒体报道重点随时间的转变——从初期疫情担忧转向疫苗研发——并识别出特定疫苗（如阿斯利康、强生）与凝血障碍之间存在强烈媒体报道关联，加剧了疫苗犹豫。

ABSTRACT

Being a global pandemic, the COVID-19 outbreak received global media attention. In this study, we analyze news publications from CNN and The Guardian - two of the world's most influential media organizations. The dataset includes more than 36,000 articles, analyzed using the clinical and biomedical Natural Language Processing (NLP) models from the Spark NLP for Healthcare library, which enables a deeper analysis of medical concepts than previously achieved. The analysis covers key entities and phrases, observed biases, and change over time in news coverage by correlating mined medical symptoms, procedures, drugs, and guidance with commonly mentioned demographic and occupational groups. Another analysis is of extracted Adverse Drug Events about drug and vaccine manufacturers, which when reported by major news outlets has an impact on vaccine hesitancy.

研究动机与目标

• 理解 CNN 和《卫报》等主流媒体如何使用先进的医疗 NLP 技术报道不断演变的 COVID-19 大流行。
• 从非结构化新闻文本中提取并关联高精度的医疗实体，如症状、药物、疫苗和不良事件。
• 评估媒体报道的病例数和死亡数与世卫组织官方数据的一致性。
• 调查媒体报道在塑造公众对疫苗安全性认知方面的作用，通过识别与特定制造商相关的报告不良药物反应。
• 开发一种可扩展的自动化流水线，利用临床 NLP 从新闻媒体中挖掘不良事件。

提出的方法

• 采用微调后的 NLP 流水线，利用 Spark NLP for Healthcare，借助 400 多个预训练生物医学模型进行命名实体识别、断言状态检测和关系抽取。
• 通过统一的流水线处理 36,354 篇新闻文章，包括句子分割、分词、上下文嵌入和实体消解。
• 使用 explain_clinical_doc_ade 流水线检测不良药物和疫苗事件，包括文档分类以及药物/疫苗与报告反应之间的关系抽取。
• 通过将媒体报道按国家组织成时间线，进行时间分析，以关联媒体报道与病例数及公共卫生里程碑。
• 通过将医疗实体与文本中提到的年龄组、职业和国家关联，开展人口统计和地理分析。
• 为确保直播博客与数据集中关键事件之间的清晰对比，排除了重叠的关键时刻。

实验结果

研究问题

• RQ1 在症状、治疗和疫苗等医疗实体方面，媒体对 COVID-19 的报道在时间上如何演变？
• RQ2 媒体报道的病例数和死亡数在多大程度上与世卫组织官方统计数据一致？
• RQ3 在新闻报道中，哪些人口统计和职业群体与医疗实体的提及频率最高？
• RQ4 不良药物和疫苗事件在报道中如何呈现？特定疫苗与不良反应之间是否存在相关性？
• RQ5 媒体报道不良事件在多大程度上影响了公众认知或导致疫苗犹豫？

主要发现

• 2020 年最普遍的医疗实体是“coronavirus”和“reported”，而 2021 年“COVID-19 疫苗”超越“coronavirus”成为首要实体，表明媒体报道重点向疫苗接种转移。
• 媒体报道的病例数和死亡数与世卫组织官方数据高度一致，验证了 NLP 提取趋势的可靠性。
• 医疗专业人员——尤其是医生和护士——是最常被引用的人口群体，其次是研究人员、工人、教师和政府官员。
• 阿斯利康和强生疫苗与凝血障碍之间存在强烈的媒体报道关联，与现实中这些疫苗的暂停使用一致。
• 辉瑞-BioNTech 和莫德纳疫苗在媒体报道中与一般过敏反应的关联最为频繁，与临床报告一致。
• 从分析中移除通用疫苗术语（如“COVID-19 疫苗”）后，热图可视化中制造商特异性不良事件关联的清晰度得到提升。