儿科多病症患者的情感负担：基于社交媒体反馈与大型语言模型的情感分析研究

本研究针对儿科多病症患者(MLTCs)的情感负担问题，通过分析Care Opinion平台389条叙事数据，采用基于distilroberta-base的CoEmoBERT模型进行情感分析。结果显示93.8%反馈呈负面情绪，其中"悲伤"(60.9%)和"恐惧"(15.4%)为主，COVID-19疫情加剧负面情绪。研究首次揭示MLTCs与特定情感模式的关联，为整合身心医疗提供实证依据。

　　

在当代医疗体系中，儿科多病症患者(Multiple Long-Term Conditions, MLTCs)面临着独特的挑战。这些患儿不仅需要同时管理多种慢性疾病，还承受着由此带来的沉重情感负担。然而，现有医疗体系往往采用"单病种"诊疗模式，缺乏对这类患者情感需求的系统关注。更令人担忧的是，关于儿科MLTCs患者情感状态的研究几乎空白，这直接影响了针对该群体的人性化医疗服务的开展。

为填补这一研究空白，来自英国的研究团队开展了一项创新性研究，成果发表在《Journal of Affective Disorders》。研究人员另辟蹊径，从社交媒体这一"情感富矿"入手，通过分析Care Opinion平台2008-2023年间389条儿科MLTCs相关叙事，首次系统描绘了这一特殊人群的情感图谱。

研究采用多项关键技术：基于distilroberta-base架构开发了专用情感分析模型CoEmoBERT；运用自然语言处理(NLP)技术进行文本挖掘；采用Cohen's Kappa系数验证模型可靠性；通过词云可视化技术展示情感特征词汇分布。所有数据均来自英国Care Opinion平台的公开匿名叙事。

【3.1 情感分类结果】
研究发现惊人的情感分布：93.8%的反馈呈现负面情绪，正面情绪仅占5.9%。深入分析显示，"悲伤"(60.9%)和"厌恶"(15.4%)是最突出的负面情绪，而"满意"(6.4%)和"惊喜"(9.8%)等正面情绪多与优质医疗服务体验相关。词云分析直观呈现了不同情绪的特征词汇，如"疼痛"、"等待"等词汇高频出现在负面情绪词云中。

【3.2 共病关联分析】
研究揭示了特定疾病组合与情感反应的显著关联：

• 心血管疾病(CVD)合并癌症时负面情绪最强烈
• 精神健康障碍展现出最复杂的共病网络
• 癌症作为共病普遍加剧各类疾病的情感负担
  可视化分析显示，精神健康问题与躯体疾病共存时，患者更易出现"厌恶"情绪，反映了身心交互影响的复杂性。

【3.3 疫情情感影响】
COVID-19疫情成为情感"放大器"：

• 涉及疫情的叙事100%为负面情绪
• "悲伤"情绪中14.66%与疫情直接相关
• "厌恶"情绪中45.45%源于疫情相关医疗中断
  主题分析发现，服务延迟、隔离措施和沟通障碍是疫情时期情感恶化的三大主因。

【讨论与启示】
这项研究具有多重突破性价值：

1. 方法论创新：首次将LLM技术系统应用于儿科MLTCs情感研究，开发的CoEmoBERT模型达到近乎完美的人类标注一致性(Kappa=1)。
2. 临床指导意义：揭示了精神健康问题在MLTCs情感负担中的核心作用，强调需要将心理筛查纳入常规儿科慢性病管理。
3. 疫情应对启示：量化了突发公卫事件对脆弱人群的情感冲击，为危机时期的医疗资源配置提供依据。
4. 技术应用前景：证实了社交媒体数据结合AI分析在患者体验研究中的独特价值。

研究同时指出，当前医疗体系在应对MLTCs挑战时存在明显不足：专科化诊疗模式导致服务碎片化，忽视患者的情感需求。对此，研究者建议：采用慢性病管理模型(CCM)进行服务整合；推广远程心理健康支持；开发AI辅助的情感监测工具。这些措施有望实现从"治病"到"医人"的范式转变。

该研究的局限主要在于数据来源单一和缺乏人口学信息。未来研究可拓展多平台数据，并探索不同人口亚群的情感特征差异。值得注意的是，研究者特别强调，情感分析模型的选择直接影响研究结果，建议后续工作系统比较不同情感分类框架的适用性。

这项开创性工作为理解儿科MLTCs患者的情感世界提供了首个系统性证据，其发现将推动儿童慢性病管理向更人性化、更整合的方向发展。特别是在数字医疗快速发展的今天，研究展示的AI+社交媒体分析方法，为实时监测患者体验开辟了新途径。