Using a digital patient powered research network to identify outcomes of importance to patients with multiple myeloma
Notice bibliographique
Résumé
BACKGROUND: Social media platforms give patients a voice by allowing them to discuss their health and connect with others. These unfiltered and genuine reports offer direct access to what matters most to patients. Exploring the patient-reported outcomes discussed in these platforms reveal clinical insights and behavioral patterns of the real-world patient journey. This research study reviewed health-related quality of life (HRQoL) concepts reported by patients with multiple myeloma (MM). METHODS: Data were obtained using the Belong.life patient-powered research network (PPRN) using social media listening methods. The analysis cohort consisted of adults diagnosed with MM who signed into the Belong.life platform by June 2018. Natural language processing and medical neural networks were utilized to extract text data to mine and scan for concepts using programmed algorithms. The textual review of the data was conducted on two levels: the over-arching concept of interest (broad symptom and impact classification) and the more specific symptom and impacts report. Concepts were analyzed descriptively and summarized by age, gender, context of report, and stage of disease/treatment journey. RESULTS: Two hundred thirty patients with MM from the United States (52%), Israel (42%), Canada (3%), and 3% from Egypt, France, Greece, India, United Kingdom, and Australia were identified. A total of 57% were female and at account registration the median age was 57 years. A total of 126 patients had evaluable text data to search concepts being discussed. The PPRN platform identified 93% of the concepts from the conceptual model developed based on prior literature review. The most commonly reported symptoms were neuropathy, tiredness, nausea, back pain, fatigue, and bone pain. Back pain appeared as the most prominent symptom early in the disease and sometimes occurred prior to MM diagnosis. Tiredness, nausea, fatigue, and bone pain were frequently reported after MM diagnosis, with the start of treatment. CONCLUSION: Patient-oriented social media platforms, such as Belong.life, can capture and contribute to a holistic vision of concepts surrounding patients' HRQoL. The ability to understand when a certain debilitating symptom appeared and to which sub-population of patients may allow for a personalized approach to treatment, improving adherence and quality of care as well as increasing patient well-being.
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 | 0,003 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».