Patrones de causalidad para detectar reacciones adversas a medicamentos de las redes sociales: enfoque de minería de textos.
JMIR Public Health Surveill, 9 de mayo de 2018 Un enfoque prometedor para detectar RAM es usar plataformas de redes sociales como Twitter y Facebook. Un alto nivel de correlación entre el nombre de un medicamento y un evento puede ser una indicación de una posible reacción adversa asociada con ese medicamento Mediante el uso de patrones léxicos, podemos detectar con precisión la causalidad entre los fármacos y los eventos relacionados con las reacciones adversas.
JMIR Public Health Surveill, 9 de mayo de 2018
Antecedentes:
La detección de reacciones adversas a medicamentos (RAM) es una tarea importante que tiene implicaciones directas para el uso de ese medicamento. Si podemos detectar RAM previamente desconocidas lo más rápido posible, esta información se puede proporcionar a los reguladores, compañías farmacéuticas y organizaciones de atención médica, reduciendo potencialmente la morbilidad relacionada con las drogas y salvando la vida de muchos pacientes. Un enfoque prometedor para detectar RAM es usar plataformas de redes sociales como Twitter y Facebook. Un alto nivel de correlación entre el nombre de un medicamento y un evento puede ser una indicación de una posible reacción adversa asociada con ese medicamento. Aunque la comunidad de detección de señales ha propuesto numerosas medidas de asociación para identificar RAM, estas medidas son limitadas porque detectan correlaciones pero a menudo ignoran la causalidad.
Objetivo:
Este estudio tuvo como objetivo proponer una medida de causalidad que puede detectar una reacción adversa que es causada por un medicamento en lugar de simplemente ser una señal correlacionada.
Métodos:
Hasta donde sabemos, este fue el primer enfoque sensible a la causalidad para detectar RAM de las redes sociales. Específicamente, la relación entre un fármaco y un evento se representó utilizando un conjunto de patrones léxicos extraídos automáticamente. Luego aprendimos los pesos para los patrones léxicos extraídos que indican su confiabilidad para expresar una reacción adversa de un medicamento dado.
Resultados:
nuestro método propuesto obtiene una precisión de detección de RAM del 74% en un conjunto de datos de tweets anotados manualmente a gran escala, que cubren un conjunto estándar de medicamentos y reacciones adversas.
Conclusiones:
Mediante el uso de patrones léxicos, podemos detectar con precisión la causalidad entre los fármacos y los eventos relacionados con las reacciones adversas.
el trabajo
Bollegala D1, Maskell S#1, Sloane R1, Hajne J1, Pirmohamed M#2. Causality Patterns for Detecting Adverse Drug Reactions From Social Media: Text Mining Approach. JMIR Public Health Surveill. 2018 May 9;4(2):e51. doi: 10.2196/publichealth.8214.