利用深度学习管理医疗信息泛滥问题，以提升医疗服务质量

《ACM Transactions on Asian and Low-Resource Language Information Processing》：Managing Healthcare Infodemic by deep learning in providing healthcare services

本研究基于IEEE Data Port提供的11858条COVID-19相关推文，通过TextBlob和VADER进行情感分析，并比较多种机器学习模型与TF-IDF、n-gram等特征提取技术的结合效果，发现Extra Tree Classifier在TF-IDF特征下准确率达94.74%，为制定社交媒体健康政策提供数据支持。

　　

摘要

数字医疗数据的采集与处理依赖于人工智能和物联网技术，而数据和信息的数字化会影响到患者的行为。关于全球性大流行病COVID-19的新闻在社交媒体上广泛传播，形成了庞大的数据量。人们对这场大流行的认知通过信息、社交媒体帖子、推文和视频等形式迅速扩散。因此，评估疫情期间社交媒体上的信息流动情况对于防止恐慌情绪的蔓延具有重要意义。本研究旨在利用IEEE Data Port提供的数据集，通过深度学习对有关COVID-19的社交媒体大数据进行情感分析，以帮助医疗专业人员制定能够影响公众舆论的社交媒体策略。所使用的数据集包含2020年5月30日收集的11,858条与COVID-19相关的推文。首先，使用TextBlob和VADER对数据进行了正面或负面的分类标记；在第二步中，结合VADER和TextBlob采用了三种特征提取技术来比较不同的机器学习模型。结果表明，使用TF-IDF特征的Extra Tree分类器的准确率达到了0.9474。