药物不良反应知识发现与利用模型研究

发布时间：2025-04-15 00:06

　　药物不良反应严重危害人类健康。药品上市前受临床试验对象、试验数量、持续时间、受试者暴露特征等限制,难以充分的获取药品安全的完整性信息。因此,药品上市后的监测工作尤为重要。社交媒体的出现为医疗数据的收集和利用提供了新的途径。本文的研究旨在提高利用社交媒体进行药物警戒的科学化和智能化水平,为药品上市后的安全监测和个性化健康信息服务提供可借鉴的方法。为此,本文将先进的自然语言处理、机器学习、数据挖掘、人工智能、语义分析方法应用到基于社交媒体的药物不良反应知识发现与利用过程中,实现社交媒体大数据的过滤、药物不良反应信号的抽取、药物不良反应本体的半自动构建和个性化药物不良反应智慧的生成。全文是面向应用的理论和方法研究,共9章,除去前后引言和结论两章,各章节概述如下:第1章:明晰本文研究相关的理论。首先,理清了本文的研究问题----药物不良反应相关概念的辨析;其次,梳理了知识发现的相关概念,并界定了药物不良反应知识发现的内涵;然后对本文的研究对象----网络健康社区的相关知识进行了回顾;最后是本文研究的理论依据---DIKW理论,也是全篇布局的线索。第2章:基于DIKW的药物不良反应知识发现与利用模...

【文章页数】：156 页

【学位级别】：博士

【部分图文】：

图2-2基于DIKW体系的药物不良反应知识发现与利用模型

药物不良反应的知识发现与利用实际上就是将社交媒体大数据转化为药物??不良反应智慧的过程。信息管理中被及的数据要素是药物不良反应大数据；信息??要素是药物不良反应信号；知识要素是药物不良反应本体；智慧要素是药物不良??反应预警。基本要素之间的转化通过信息活动实现；经过对社交媒体大数....

图４－２药物不良事件抽取过程??４．?５．?２．?１特征生成??

树的层次结构中，语义依存性会在链接的方向中显示。本文采用Ｓｔａｎ化ｒｄ?Ｐａｒｓｅｒ??进行依存巧法解析从依存者到支配者的语法关系。Ｓｔａｎｆｏｒｄ?Ｐａｒｓｅｒ运用上下文无??关文法和词汇化依存句法分析，生成依存树中各成分之间的依存关系。图４－３是??一个句子的依存关系树。＇在....

图５－１药物不良反应本体描化概念的抽取过程??（１）领域分词词典的构建??

基于深度学习思想，本文提出了基于ｗｏｒｄ２ｖｅｃ的药物不良反应本体描述概??念的抽取方法，通过机器学习辅助梳理药物不良反应细粒度的描述概念，实现药??物不良反应本体的半自动构建。领域本体描述概念的抽取过程如图５－１所示，主??要包括：药物不良反应领域分词词典的构建、细粒度描述概念....

图５－２?Ｗｏｒｄ２ｖｅｃ浅层神经网络训练模型??如图５－２所示，ＣＢＯＷ去掉了费时的非线性隐层，令所有词共享隐层，ＣＢＯＷ??

?Ｓｋｉｐ－ｇｒａｍ??图５－２?Ｗｏｒｄ２ｖｅｃ浅层神经网络训练模型??如图５－２所示，ＣＢＯＷ去掉了费时的非线性隐层，令所有词共享隐层，ＣＢＯＷ??模型是预测巧＾１｜１｛；＊－＆，＾１－＊－１）．．．，＾？，＾１＋１，化１＋２？，＾１＋）１：）。从输入层到隐藏层餘操??作实际....

本文编号：4039757