藥物不良反應嚴重危害人類健康。藥品上市前受臨床試驗對象、試驗數(shù)量、持續(xù)時間、受試者暴露特征等限制,難以充分的獲取藥品安全的完整性信息。因此,藥品上市后的監(jiān)測工作尤為重要。社交媒體的出現(xiàn)為醫(yī)療數(shù)據(jù)的收集和利用提供了新的途徑。本文的研究旨在提高利用社交媒體進行藥物警戒的科學化和智能化水平,為藥品上市后的安全監(jiān)測和個性化健康信息服務提供可借鑒的方法。為此,本文將先進的自然語言處理、機器學習、數(shù)據(jù)挖掘、人工智能、語義分析方法應用到基于社交媒體的藥物不良反應知識發(fā)現(xiàn)與利用過程中,實現(xiàn)社交媒體大數(shù)據(jù)的過濾、藥物不良反應信號的抽取、藥物不良反應本體的半自動構建和個性化藥物不良反應智慧的生成。全文是面向應用的理論和方法研究,共9章,除去前后引言和結(jié)論兩章,各章節(jié)概述如下:第1章:明晰本文研究相關的理論。首先,理清了本文的研究問題----藥物不良反應相關概念的辨析;其次,梳理了知識發(fā)現(xiàn)的相關概念,并界定了藥物不良反應知識發(fā)現(xiàn)的內(nèi)涵;然后對本文的研究對象----網(wǎng)絡健康社區(qū)的相關知識進行了回顧;最后是本文研究的理論依據(jù)---DIKW理論,也是全篇布局的線索。第2章:基于DIKW的藥物不良反應知識發(fā)現(xiàn)與利用模...

【文章頁數(shù)】：156 頁

【學位級別】：博士

【部分圖文】：

圖2-2基于DIKW體系的藥物不良反應知識發(fā)現(xiàn)與利用模型

藥物不良反應的知識發(fā)現(xiàn)與利用實際上就是將社交媒體大數(shù)據(jù)轉(zhuǎn)化為藥物??不良反應智慧的過程。信息管理中被及的數(shù)據(jù)要素是藥物不良反應大數(shù)據(jù)；信息??要素是藥物不良反應信號；知識要素是藥物不良反應本體；智慧要素是藥物不良??反應預警。基本要素之間的轉(zhuǎn)化通過信息活動實現(xiàn)；經(jīng)過對社交媒體大數(shù)....

圖４－２藥物不良事件抽取過程??４．?５．?２．?１特征生成??

樹的層次結(jié)構中，語義依存性會在鏈接的方向中顯示。本文采用Ｓｔａｎ化ｒｄ?Ｐａｒｓｅｒ??進行依存巧法解析從依存者到支配者的語法關系。Ｓｔａｎｆｏｒｄ?Ｐａｒｓｅｒ運用上下文無??關文法和詞匯化依存句法分析，生成依存樹中各成分之間的依存關系。圖４－３是??一個句子的依存關系樹。＇在....

圖５－１藥物不良反應本體描化概念的抽取過程??（１）領域分詞詞典的構建??

基于深度學習思想，本文提出了基于ｗｏｒｄ２ｖｅｃ的藥物不良反應本體描述概??念的抽取方法，通過機器學習輔助梳理藥物不良反應細粒度的描述概念，實現(xiàn)藥??物不良反應本體的半自動構建。領域本體描述概念的抽取過程如圖５－１所示，主??要包括：藥物不良反應領域分詞詞典的構建、細粒度描述概念....

圖５－２?Ｗｏｒｄ２ｖｅｃ淺層神經(jīng)網(wǎng)絡訓練模型??如圖５－２所示，ＣＢＯＷ去掉了費時的非線性隱層，令所有詞共享隱層，ＣＢＯＷ??

?Ｓｋｉｐ－ｇｒａｍ??圖５－２?Ｗｏｒｄ２ｖｅｃ淺層神經(jīng)網(wǎng)絡訓練模型??如圖５－２所示，ＣＢＯＷ去掉了費時的非線性隱層，令所有詞共享隱層，ＣＢＯＷ??模型是預測巧＾１｜１｛；＊－＆，＾１－＊－１）．．．，＾？，＾１＋１，化１＋２？，＾１＋）１：）。從輸入層到隱藏層餘操??作實際....

本文編號：4039757