Cardiovascular Disease Risk Prediction via Social Media
Deze studie toont aan dat het analyseren van Twitter-gegevens met behulp van een aangepaste CVD-trefwoordwoordenlijst, VADER-sentimentanalyse en machine learning-modellen (met name SVM en CNN-LSTM) effectief het risico op cardiovasculaire ziekten op staatsniveau voorspelt, waarbij het traditionele op demografie gebaseerde benaderingen van CDC-gegevens overtreft.
Stel je voor dat je probeert te raden wie in de toekomst een hartprobleem zou kunnen krijgen. Traditioneel hebben artsen en onderzoekers gekeken naar de "ID-kaart"-gegevens van een persoon: hun leeftijd, geslacht, ras en waar ze wonen. Het is alsof je het weer probeert te voorspellen door alleen naar de kalender te kijken; het geeft je een algemeen idee, maar het mist de opkomende onweerswolken die er op dit moment zijn.
Dit artikel suggereert een andere, meer speelse aanpak: luisteren naar wat mensen daadwerkelijk zeggen op Twitter. De onderzoekers behandelden sociale media als een enorme, rumoerige kamer waar mensen praten over hun leven. Ze wilden zien of de emoties en woorden die mensen gebruikten, zouden kunnen fungeren als een beter "vroeg waarschuwingssysteem" voor hartziekten dan alleen het controleren van hun demografische ID-kaarten.
Het Detectiewerk: Het Bouwen van een Speciaal Woordenboek
Eerst moest het team uitzoeken waar ze naar moesten luisteren. Ze zochten niet alleen naar medisch jargon zoals "angiogram" of "hypertensie". Ze bouwden een op maat gemaakt "detectiewoordenboek" dat serieuze medische termen mengde met alledaagse straattaal en levensstijlfrases die mensen daadwerkelijk gebruiken wanneer ze praten over stress, roken of pijn op de borst. Ze scanden tweets uit 18 verschillende Amerikaanse staten (inclusief de Appalachian-regio) over een periode van drie jaar, waarbij ze bijna 270.000 berichten verzamelden.
De Stemring: VADER en de Labels
Toen ze de tweets eenmaal hadden, moesten ze de "vibe" bepalen. Ze gebruikten een tool genaamd VADER, die werkt als een supersnelle stemring voor tekst. Het leest de woorden en bepaalt of het sentiment positief, negatief of neutraal is.
Hier is het slimme deel: ze stelden een specifieke regel in. Als de tweets van een gebruiker een bepaald niveau van negatief sentiment vertoonden met betrekking tot deze hartrisico-trefwoorden, labelde de computer hen als "1" (potentieel risico lopen). Als de vibe anders was, werden ze gelabeld als "0" (geen risico). Denk erbij als een leraar die een toets nakijkt waarbij het "juiste antwoord" voor het lopen van risico een specifiek patroon van chagrijnige of bezorgde woorden is.
De Race: Old School versus Nieuwe Tech
Nu kwam de grote confrontatie. De onderzoekers trainden twee verschillende teams van computerbreinen om te voorspellen wie er risico liep:
- Team A (Het Twitter-team): Zij voerden de computer de op stemming gelabelde tweets.
- Team B (Het ID-kaart-team): Zij voerden de computer een standaard overheidsdataset (van de CDC) die alleen demografische informatie bevat zoals geslacht, ras en locatie.
Ze testten beide teams met verschillende "spelers" (algoritmen), waaronder enkele traditionele wiskundige methoden en een chique nieuw hybride brein genaamd CNN-LSTM (wat een soort robot is die zowel patronen in afbeeldingen kan zien als lange gesprekken kan onthouden).
Het Scorebord
De resultaten waren duidelijk, en het Twitter-team won met een overweldigende voorsprong.
- Het ID-kaart-team (CDC-data): Wanneer zij probeerden het risico op hartziekten te voorspellen met alleen demografische informatie, kreeg de beste speler (Logistische Regressie) slechts ongeveer 58,03% van de antwoorden goed. Het chique CNN-LSTM-model deed het zelfs nog slechter en scoorde 57,64%. Het was alsof je probeerde de winnaar van een race te raden door alleen naar de schoenmaten van de hardlopers te kijken.
- Het Twitter-team: Wanneer zij de emotionele data uit tweets gebruikten, schoten de resultaten omhoog. Het SVM-model (een type support vector machine) behaalde een testnauwkeurigheid van 88,75%. Het Logistische Regressie-model volgde op korte afstand met 87,82%. Zelfs het hybride CNN-LSTM-model, dat 77,51% scoorde, verpletterde de resultaten van de demografische data.
Wat dit betekent (en wat het niet betekent)
Het artikel suggereert dat luisteren naar het "emotionele geklets" op sociale media een veel sterkere kristallen bol is voor het opsporen van hartziekterisico's dan alleen kijken naar het adres of geslacht van een persoon. De auteurs stellen dat de woorden die mensen online typen hun psychologische en gedragsmatige risico's onthullen op een manier die statische data simpelweg niet kan.
Het artikel is echter voorzichtig om dit geen wondermiddel te noemen. Ze merken op dat dit een specifieke studie is die gebruikmaakt van data van 2019 tot 2021, en hoewel de resultaten veelbelovend zijn, zijn ze een "suggestie" dat deze methode beter werkt dan de oude manier, en geen definitieve, onveranderlijke wet van het universum. Ze wijzen er ook op dat ze voorzichtig moesten zijn met hun "stemring"-instellingen (het gebruik van een specifieke drempelwaarde van -0,30) om de labels te laten werken, en dat er meer testen nodig zijn om te controleren of dit overal werkt.
Kortom, het artikel stelt voor dat als je wilt weten wie er mogelijk worstelt met hartrisico's, je misschien een beter antwoord krijgt door hun tweets te lezen dan door hun ID-kaart te lezen. De cijfers ondersteunen dit: 88,75% nauwkeurigheid met tweets versus 58,03% met demografie. Het is een nieuwe manier om naar de volksgezondheid te kijken, waarbij het rumoerige geklets van het internet wordt omgezet in een nuttige kaart voor artsen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.