人工智能工具揭示了成瘾治疗的知识差距

从互联网上获取与健康相关的信息已经变得司空见惯——从使用搜索引擎根据症状发现可能的诊断，到在处理健康问题时在社交媒体上寻求建议。

“当人们被诊断出患有健康状况或开始新的治疗时，他们通常会在社交媒体上向同龄人寻求情感支持和信息，”计算机科学助理教授Sarah Preum说。

Preum说，与健康相关的社交媒体讨论组是一个非常宝贵的存储库，来自不同人口统计学的用户可以自发地分享生活经验和挑战。

她的研究采用自然语言处理（专注于人类语言学的人工智能技术）从与健康相关的社交媒体互动中提取有意义的信息。

在他们正在进行的项目中，Preum和她的合作者开发了一个人工智能框架来分析来自论坛的Reddit帖子，用户在该论坛上讨论他们与使用FDA批准的药物的阿片类药物使用障碍治疗相关的经验。

“社交媒体是了解患者观点的金矿，你可能在临床环境中听不到，”技术与行为健康中心的高级研究科学家和流行病学家雅各布·博罗多夫斯基说，他被这项研究所吸引，因为它应用了相对非正统的数据和方法来进行物质使用研究。

“另外，Reddit是匿名的，这可能会导致非常开放的对话。这种自然的、未经过滤的数据可能非常有洞察力，“Borodovsky说。

Preum和她的同事开发了一个模型，该模型根据事件（定义治疗轨迹的广泛类别）来识别和分类寻求信息的Reddit帖子，这些帖子是与领域专家Borodovsky和Sarah Lord协商创建的，他们是临床发展心理学家，也是Geisel医学院精神病学，生物医学数据科学和儿科副教授。

为了训练人工智能模型，一组研究人员创建了一个新的信息搜索帖子数据集，他们手动将其分类为事件。

“我每天服用 1-2 毫克的潜艇，这比原来的 8 毫克剂量有所减少。只是在寻找一个行动计划，可以坚持下去，最终完全摆脱，“一位准备逐渐减少治疗的用户问道。

“当我过早地用完我的 Suboxone 时，我喜欢随身携带 Kratom，因为我的能量极低，打哈欠过度，”另一位分享道。

研究人员将前一个帖子标记为“服用MOUD”（阿片类药物使用障碍的药物） 和“逐渐减少”事件，而后者则被标记为“复发”和“心理物理影响”事件。

然后，在此数据集上训练的 AI 模型扫描数千个帖子并根据事件对其进行划分。研究人员评估了几种不同模型的性能，其中一些模型在他们的数据集上进行了训练，而另一些则没有。

研究发现，需要领域专业知识来帮助注释训练数据，并且仍有优化此类AI模型的空间。为了更有效地对如此大规模、复杂的健康数据进行分类，我们需要一个人机交互系统，瓜里尼研究生和高级研究学院的计算机科学博士生奥马尔·谢里夫（Omar Sharif）说，他是构建人工智能模型的团队的一员。

“我们的研究表明，通过事件的视角分析社会话语中与健康相关的对话比现有技术更有效、更客观、更可推广，”Preum 说。“最终，我们的方法可以自动将信息需求映射到治疗的关键阶段。

确定反复出现的话题并了解通常交换的信息类型，可以对正在接受阿片类药物使用障碍治疗的人之间的经验和知识差距提供独特的见解，计算机科学博士生Madhusudan Basak说，他与Sharif和Preum合作开展了该项目。

这些分析通过同行交流进行筛选，以揭示在坚持治疗方案和康复患者用于应对副作用和复发的机制方面的挑战。它们还揭示了虚假和可能有害的信息，包括通过此类渠道传播的错误信息。

Lord说，从社交媒体上挖掘的这些信息是最早对Facebook早期大学生滥用处方阿片类药物和兴奋剂进行在线调查研究的研究小组之一，可以以各种创新方式使用，为改善临床医生和患者之间的沟通提供方向，并使患者能够与护理建立联系。

“凭借强大的机器学习能力，社交媒体平台为识别不同的治疗需求和接触他们自己的虚拟社区中的人们提供了令人兴奋的机会，”Lord 说。