Stakeholder Insights in Alzheimer’s Disease: Natural Language Processing of Social Media Conversations
Notice bibliographique
Résumé
BACKGROUND: Social media data may be especially effective for studying diseases associated with high stigma, such as Alzheimer's disease (AD). OBJECTIVE: We primarily aimed to identify issues/challenges experienced by patients with AD using natural language processing (NLP) of social media posts. METHODS: We searched 130 public social media sources between January 1998 and December 2021 for AD stakeholder social media posts using NLP to identify issues/challenges experienced by patients with AD. Issues/challenges identified by ≥10% of any AD stakeholder type were described. Illustrative posts were selected for qualitative review. Secondarily, issues/challenges were organized into a conceptual AD identification framework (ADIF) and representation of ADIF categories within clinical instruments was assessed. RESULTS: We analyzed 1,859,077 social media posts from 30,341 AD stakeholders (21,011 caregivers; 7,440 clinicians; 1,890 patients). The most common issues/challenges were Worry/anxiety (34.2%), Pain (33%), Malaise (28.7%), Confusional state (27.1%), and Falls (23.9%). Patients reported a markedly higher volume of issues/challenges than other stakeholders. Patient posts reflected the broader scope of patient burden, caregiver posts captured both patient and caregiver burden, and clinician posts tended to be targeted. Less than 5% of the high frequency issues/challenges were in the "function and independence" and "social and relational well-being" categories of the ADIF, suggesting these issues/challenges may be difficult to capture. No single clinical instrument covered all ADIF categories; "social and relational well-being" was least represented. CONCLUSION: NLP of AD stakeholder social media data revealed a broad spectrum of real-world insights regarding patient burden.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 tête enseignante, 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 ».