Um referencial de pesquisa para a farmacovigilância nas redes sociais de saúde: identificação e avaliação de relatos de eventos adversos de medicamentos feitos por pacientes

As redes sociais oferecem perspectivas sobre os problemas de saúde dos pacientes, tais como efeitos colaterais de medicamentos e falhas terapêuticas. Os relatos de pacientes sobre eventos adversos de medicamentos publicados em redes sociais têm grande potencial para melhorar as práticas atuais de farmacovigilância. No entanto, a extração de tais relatos das redes sociais continua a ser um grande desafio para a pesquisa em informática da saúde. Neste estudo, desenvolvemos um referencial de pesquisa com técnicas avançadas de processamento de linguagem natural para a extração integrada e de alto desempenho de eventos adversos de medicamentos relatados por pacientes. O referencial envolveu a extração de termos médicos para reconhecer as discussões de pacientes sobre medicamentos e eventos, a extração de eventos adversos de medicamentos com o método de aprendizagem estatística baseada no menor caminho de dependência, a filtragem semântica com informações de bases de conhecimento médico e a classificação das fontes dos relatos para eliminar o ruído. A fim de avaliar o referencial proposto, realizamos uma série de experimentos em uma plataforma de testes envolvendo postagens em grandes fóruns sobre diabetes e doenças cardíacas nos Estados Unidos. Os resultados revelaram que cada componente do referencial contribuiu significativamente para sua efetividade global. Nosso referencial apresentou um desempenho significativamente melhor que o de trabalhos anteriores.

Social media offer insights of patients' medical problems such as drug side effects and treatment failures. Patient reports of adverse drug events from social media have great potential to improve current practice of pharmacovigilance. However, extracting patient adverse drug event reports from social media continues to be an important challenge for health informatics research. In this study, we develop a research framework with advanced natural language processing techniques for integrated and high-performance patient reported adverse drug event extraction. The framework consists of medical entity extraction for recognizing patient discussions of drug and events, adverse drug event extraction with shortest dependency path kernel based statistical learning  method and semantic filtering with information from medical knowledge bases, and report source classification to tease out noise. To evaluate the proposed framework, a series of experiments were conducted on a test bed encompassing about postings from major diabetes and heart disease forums in the United States. The results reveal that each component of the framework significantly contributes to its overall effectiveness. Our framework significantly outperforms prior work.