社交媒体帖子或许能够帮助研究人员了解和预测阿片类药物过量

公开的社交媒体帖子包含大量信息，涉及全球数百万人的活动、想法和一闪而过的想法。其规模之大令人难以置信，但它也为公共卫生研究人员提供了一个机会，他们可以通过整理大量数据来提取重要的公共卫生信息。

研究人员希望它能成为一种有价值的工具，用于监测阿片类药物危机等问题。在一项新研究中，通过机器学习程序分析和分类的有关阿片类药物和阿片类药物滥用的推文比例与宾夕法尼亚州各县阿片类药物过量死亡率和全国调查中测量的阿片类药物使用率相匹配。

“最终目标当然是能够预测像阿片类药物危机这样的潜在危机。这就是我们努力的方向，”这项研究的作者、埃默里大学医学院生物医学信息学助理教授阿比德·萨克在给《大众科学》的一封电子邮件中写道。

然而，其他人则表示，这些工具目前还没有实际应用价值。宾夕法尼亚大学计算机与信息科学教授莱尔·昂格尔 (Lyle Ungar) 曾从事过这方面的工作，他说：“目前，这些工具还不能真正帮助我们判断应该将干预重点放在哪里。”

该研究收集了 2012 年 1 月至 2015 年 10 月期间宾夕法尼亚州发布的涉及阿片类药物的推文。研究团队使用了 200 多个代表阿片类药物使用的关键词，包括从随机生成的关键词拼写错误到社交媒体使用中常见的镜像错误。他们手动审查了 16,000 条帖子，以了解关键词在帖子中的常用方式，并将 550 条帖子分为四个不同的类别：自我报告的滥用或误用、信息共享、无关和非英语。然后，他们用这些带注释的帖子训练机器学习算法，其中一种是神经网络。神经网络表现最佳，识别指出阿片类药物滥用的推文的准确度与人类相同。

每个县中有关阿片类药物滥用的推文比例与该县因过量服用而死亡的人数相关。该比例还与国家药物使用和健康调查报告的县级非医疗处方阿片类药物使用率、非法药物使用率、非法药物依赖率以及非法药物依赖或滥用率相关/对应。

此前，一些研究也已实现了从社交媒体平台提取阿片类药物相关信息的自动化。萨克尔说：“我们认为这个模型比过去的模型更稳健，因为它对无关的闲聊更具抵抗力——例如，如果某位名人因阿片类药物过量而死亡，社交媒体上会有很多关于此事的讨论，但这并不意味着阿片类药物的使用量在人口层面有所增加。”

波士顿儿童医院医学毒理学研究员迈克尔·查里 (Michael Chary) 参与了其中一项先前的研究。他的工作重点是州一级的阿片类药物趋势。“这篇论文将地理分辨率提高到了国家层面，”他说。“提高这一点很重要。我们从其他研究中了解到，城市和农村社区的阿片类药物使用模式不同，这表明对一个社区有效的政策可能对另一个社区无效。”

不过，这篇论文使用了神经网络，这让人们更难确切地知道系统是如何对推文进行分类的。“神经网络的透明度存在问题。这总体上是一个限制，”他说。此外，他说，深度卷积神经网络（本研究中使用的类型）通常用于图像，最近才开始用于语言，因此在这种情况下它们特别不透明。

萨克说，在努力寻找最佳分析方法的同时，还应开展研究，以确定分析结果数据的最佳使用方式。“我们认为，现在已经到了这样一个时刻，我们不应该再问我们是否可以使用社交媒体来完成公共卫生任务，”他说。“跨学科的合作研究是未来的发展方向，它可以帮助解决阿片类药物危机等当前危机，并通过早期发现预防未来的危机。”萨克的生物医学信息学团队正在与宾夕法尼亚大学毒理学家、论文作者 Jeanmarie Perrone 合作，寻找可以帮助专家直接与受阿片类药物影响的群体合作的方法。

然而，Chary 对应用的快速实现并不乐观。推文仍需验证其作为流行病学数据来源的有效性。此外，推文还必须能够预测近期阿片类药物的使用情况，而不仅仅是跟踪之前的调查数据。“预测过去的情况毫无帮助。”

关于阿片类药物一般使用情况的总体数据也没有区分阿片类药物的类型，而这对于医生和那些针对性干预措施的人来说是重要的信息。“这一层数据非常重要。把所有东西都集中到一个信号眼镜中就好了，”Chary 说。

昂格尔还指出，只有一小部分人使用 Twitter，而且只有一部分人愿意发布有关非法吸毒的推文。“你得到的也是奇怪的偏见。你衡量的是他们吸毒的量——以及他们有多愿意公开吸毒。”

昂格尔表示，有关阿片类药物使用的推文数据可能有助于研究人员更好地了解人们如何谈论阿片类药物的使用，或了解受此困扰的人的特点。不过，他表示，社交媒体数据到底有多大用处仍不清楚。

“在查找有关阿片类药物的推文和利用这些推文为公共卫生指明资源方向之间存在着差距。”