Mining Twitter data to #educate the public about #sepsis
Notice bibliographique
Résumé
IntroductionSepsis is not well known. Only 58% of Americans know the word sepsis, less than 1% can identify its symptoms and one-third wrongly believe the disease is contagious (1). What if social media educated users about sepsis? There are at least 500 million tweets worldwide per day on Twitter. Objectives and ApproachEarly detection of sepsis with early treatment is associated with a decrease in mortality (2). The current study aims to use Twitter to share sepsis patients’ experiences. The approach consisted of using text data mining techniques by randomly extracting tweets (N =150) with the hashtag #sepsissurvivor (3) using R software (4). The study retrieved and quantified sepsis patients’ tweets into word frequency distributions using documentation summarization and word cloud techniques (5) for visual representation of Twitter data. Sepsis patients used images symptoms cards (6) to raise awareness. The study used the R package "tesseract" to extract text from images (6). ResultsPatients sharing their experiences frequently used the word “sepsis.” Cardiorespiratory compromise (septic shock—the highest mortality risk) was illustrated in the words "my heart stops” or elevated "heart" rate or “low blood pressure.” Several studies have reported increased mortality associated with delays in antibiotic administration (7). Many sepsis survivors had antibiotics exposure, both in a timely manner or delayed in use. Sepsis patients experienced long stays in the hospital. Tweets mentioned "infection" 39 times (8), which supports patients’ diagnoses in addition to high rates of "fever." The clustering technique using word association indicated infection was highly correlated with sepsis (9). Sepsis survivors shared the "pain" they went through. Conclusion/ImplicationsTwitter presents an opportunity for patients to disseminate information about sepsis raising awareness about important symptoms. The information tweeted explores the impact of this diagnosis, and the need for early treatment. The current study demonstrates the opportunity to raise awareness through the learned experiences of patients in a novel medium.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,007 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».