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 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 | 0,014 | 0,050 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,008 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,005 | 0,009 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».