Kernekoncepter
Durch die Verwendung von wissensbasierten heterogenen Textgraphen und einer konzeptbezogenen Aufmerksamkeitsmechanik kann die Erkennung von Nebenwirkungen von Arzneimitteln in Texten aus verschiedenen Quellen wie medizinischen Foren, biomedizinischen Veröffentlichungen und sozialen Medien verbessert werden.
Resumé
Die Studie präsentiert ein Modell namens KnowCAGE (Knowledge-augmented Concept-Aware Graph Embeddings), das für die Erkennung von Nebenwirkungen von Arzneimitteln in Texten entwickelt wurde.
Das Modell besteht aus vier Hauptkomponenten:
- Konstruktion eines wissensbasierten heterogenen Textgraphen, der Beziehungen zwischen Dokumenten, Wörtern und medizinischen Konzepten aus dem UMLS-Metathesaurus abbildet.
- Heterogene Graph-Konvolution zur Kodierung des Textgraphen und zum Lernen von Darstellungen.
- Eine konzeptbezogene Aufmerksamkeitsmechanik, die verschiedene Knotentypen unterschiedlich behandelt und so die Nutzung des medizinischen Wissens verbessert.
- Eine gewichtete Ensemble-Klassifikation, die die Vorhersagen des Graph-basierten Moduls und eines vortrainierten Sprachmodells kombiniert.
Die Experimente auf vier öffentlichen Datensätzen zeigen, dass das Modell die Leistung aktueller Methoden zur Erkennung von Nebenwirkungen in den meisten Fällen übertrifft. Die Ergebnisse belegen, dass die Verwendung von wissensbasierten Graphen und die konzeptbezogene Aufmerksamkeit die Leistung bei der Erkennung von Nebenwirkungen in Texten aus verschiedenen Domänen verbessern können.
Statistik
Die Erkennung von Nebenwirkungen ist eine wichtige Aufgabe in der Pharmakovigilanz, da Nebenwirkungen von Arzneimitteln erheblichen Schaden verursachen können.
Klinische Studien können nicht alle Aspekte der Arzneimittelverwendung abdecken, und das freiwillige Meldesystem für Arzneimittelsicherheit hat Einschränkungen wie unvollständige, unterrepräsentierte und verspätete Meldungen.
Texterwähnungen von Nebenwirkungen enthalten eine Vielzahl von Arzneimittelnamen und Nebenwirkungen, die medizinisches Wissen und Beziehungsanalyse erfordern.
Citater
"Adverse drug events (ADEs) are an important aspect of drug safety. Various texts such as biomedical literature, drug reviews, and user posts on social media and medical forums contain a wealth of information about ADEs."
"Recent advances in automated pharmacovigilance are based on collecting large amounts of text about adverse drug events from various platforms, such as medical forums (e.g., AskaPatient), biomedical publications, and social media, and training Natural Language Processing (NLP) models to automatically detect whether a given textual record contains information about adverse drug reactions, which is usually framed as a binary classification task."