۱. معرفی مقاله و اهمیت آن

بیماری‌های قلبی‌عروقی (CVD) همچنان یکی از علل اصلی مرگ‌ومیر در سراسر جهان هستند. شناسایی افراد در معرض خطر بالا به منظور انجام مداخلات پیشگیرانه و کاهش بار بیماری، امری حیاتی است. رویکردهای سنتی برای تخمین خطر CVD عمدتاً بر عوامل دموگرافیک، سابقه پزشکی و نتایج آزمایشگاهی تکیه دارند. با این حال، این روش‌ها ممکن است تمام ابعاد وضعیت سلامتی یک فرد را پوشش ندهند و برای دسترسی به داده‌ها نیازمند مراجعه به مراکز درمانی باشند. با گسترش روزافزون پلتفرم‌های رسانه‌های اجتماعی، داده‌های عظیمی از نگرش‌ها، احساسات و تجربیات کاربران به طور عمومی در دسترس قرار گرفته است. این مقاله پژوهشی نوآورانه را معرفی می‌کند که پتانسیل رسانه‌های اجتماعی، به ویژه توییتر، را برای شناسایی افراد در معرض خطر بیماری‌های قلبی‌عروقی مورد بررسی قرار می‌دهد. این رویکرد جدید، با بهره‌گیری از تحلیل احساسات و تکنیک‌های پردازش زبان طبیعی (NLP)، راهی جایگزین و مکمل برای روش‌های سنتی ارائه می‌دهد.

۲. نویسندگان و زمینه تحقیق

این مقاله توسط تیمی از محققان با نام‌های Al Zadid Sultan Bin Habib, Md Asif Bin Syed, Md Tanvirul Islam, و Donald A. Adjeroh ارائه شده است. زمینه تخصصی این پژوهش در تقاطع رشته‌های علوم کامپیوتر، به ویژه در حوزه هوش مصنوعی، پردازش زبان طبیعی (NLP) و یادگیری ماشین (ML)، با سلامت عمومی و مدل‌سازی بیماری قرار دارد. تمرکز خاص آن‌ها بر روی “محاسبات و زبان” (Computation and Language) نشان‌دهنده تخصص در استفاده از تکنیک‌های محاسباتی برای درک و تفسیر زبان انسانی است. این پژوهش در راستای تلاش‌های جهانی برای استفاده از داده‌های غیرمتعارف (مانند داده‌های رسانه‌های اجتماعی) در جهت بهبود سلامت عمومی و شناسایی الگوهای بیماری انجام شده است.

۳. چکیده و خلاصه محتوا

چکیده این مقاله به طور خلاصه بیان می‌کند که محققان از پلتفرم توییتر و تکنیک تحلیل احساسات برای پیش‌بینی خطر بیماری‌های قلبی‌عروقی استفاده کرده‌اند. آن‌ها یک واژه‌نامه جدید از کلمات کلیدی مرتبط با CVD با تحلیل احساسات بیان شده در توییت‌ها توسعه داده‌اند. داده‌های توییت‌ها از هجده ایالت آمریکا، از جمله منطقه آپالاشیا، جمع‌آوری شده است. با استفاده از مدل VADER برای تحلیل احساسات، کاربران به دو دسته “بالقوه در معرض خطر CVD” و “غیر در معرض خطر” طبقه‌بندی شده‌اند. سپس، مدل‌های یادگیری ماشین برای طبقه‌بندی دقیق‌تر خطر CVD افراد به کار گرفته شده و با استفاده از مجموعه داده‌ای از مرکز کنترل و پیشگیری از بیماری (CDC) که شامل اطلاعات دموگرافیک است، مقایسه شده‌اند. معیارهای ارزیابی عملکرد شامل دقت آزمون، Precision، Recall، امتیاز F1، ضریب همبستگی متیو (MCC) و امتیاز کاهن (Cohen’s Kappa) مورد توجه قرار گرفته‌اند. نتایج نشان دادند که تحلیل احساسات توییت‌ها، قدرت پیش‌بینی بیشتری نسبت به صرفاً داده‌های دموگرافیک دارد و امکان شناسایی افراد در معرض خطر بالقوه CVD را فراهم می‌کند. این تحقیق پتانسیل تکنیک‌های NLP و ML را در استفاده از توییت‌ها برای شناسایی افراد دارای ریسک CVD برجسته می‌کند و رویکردی جایگزین برای نظارت بر سلامت عمومی نسبت به اطلاعات دموگرافیک سنتی ارائه می‌دهد.

۴. روش‌شناسی تحقیق

روش‌شناسی به کار رفته در این پژوهش، رویکردی چند مرحله‌ای و ترکیبی از تکنیک‌های پردازش زبان طبیعی و یادگیری ماشین است:

• جمع‌آوری داده‌ها: داده‌های اصلی این تحقیق از پلتفرم توییتر جمع‌آوری شده است. تمرکز بر روی توییت‌های کاربران از هجده ایالت در ایالات متحده آمریکا، از جمله مناطقی با شیوع بالای بیماری‌های قلبی‌عروقی مانند منطقه آپالاشیا، بوده است. این انتخاب منطقه جغرافیایی به دلیل اهمیت آن در مطالعات سلامت عمومی و وجود عوامل خطر محیطی و اجتماعی بالقوه، بسیار استراتژیک است.
• توسعه واژه‌نامه CVD: گام مهمی که این تحقیق برداشته، ایجاد یک واژه‌نامه تخصصی از کلمات و عبارات مرتبط با بیماری‌های قلبی‌عروقی است. این واژه‌نامه از طریق تحلیل احساسات (Sentiment Analysis) توییت‌ها ساخته شده است. بدین معنی که کلماتی که در کنار بیان احساسات منفی یا اضطراب‌آور مرتبط با سلامتی ظاهر می‌شوند، شناسایی و در واژه‌نامه گنجانده شده‌اند. این رویکرد به درک عمیق‌تری از نحوه بیان نگرانی‌های سلامتی توسط کاربران کمک می‌کند.
• تحلیل احساسات: برای ارزیابی احساسات بیان شده در هر توییت، از مدل VADER (Valence Aware Dictionary and sEntiment Reasoner) استفاده شده است. VADER یک مدل واژه‌نامه‌ای و مبتنی بر قاعده است که به طور خاص برای تحلیل احساسات در متن‌های کوتاه و غیررسمی مانند توییت‌ها طراحی شده است. این مدل هر توییت را بر اساس مثبت، منفی یا خنثی بودن احساسات امتیازدهی می‌کند.
• طبقه‌بندی کاربران: بر اساس امتیازات احساسات حاصل از مدل VADER، کاربران توییتر به دو گروه طبقه‌بندی شده‌اند: «بالقوه در معرض خطر CVD» (یعنی کاربرانی که توییت‌هایشان حاوی نشانه‌هایی از نگرانی یا تجربه مرتبط با CVD است) و «غیر در معرض خطر».
• استفاده از مدل‌های یادگیری ماشین: برای طبقه‌بندی دقیق‌تر و قوی‌تر خطر CVD افراد، از مدل‌های مختلف یادگیری ماشین استفاده شده است. این مدل‌ها با استفاده از ویژگی‌های استخراج شده از توییت‌ها (مانند حضور کلمات کلیدی، الگوهای احساسی و غیره) آموزش داده شده‌اند.
• مقایسه با داده‌های دموگرافیک: قدرت پیش‌بینی مدل‌های مبتنی بر رسانه‌های اجتماعی با استفاده از یک مجموعه داده مستقل از مرکز کنترل و پیشگیری از بیماری (CDC) که شامل اطلاعات دموگرافیک (مانند سن، جنسیت، منطقه جغرافیایی و غیره) است، مقایسه شده است. این مرحله برای سنجش ارزش افزوده داده‌های رسانه‌های اجتماعی در مقایسه با اطلاعات سنتی سلامت حیاتی بوده است.
• ارزیابی عملکرد: عملکرد مدل‌ها با استفاده از معیارهای استاندارد ارزیابی مدل‌های طبقه‌بندی سنجیده شده است. این معیارها شامل:
  • Test Accuracy (دقت آزمون): نسبت کل پیش‌بینی‌های صحیح به کل پیش‌بینی‌ها.
  • Precision (دقت): نسبت موارد مثبت واقعی به کل مواردی که مدل به عنوان مثبت پیش‌بینی کرده است.
  • Recall (بازیابی): نسبت موارد مثبت واقعی به کل موارد مثبت واقعی در مجموعه داده.
  • F1 Score: میانگین هارمونیک Precision و Recall، که تعادل بین این دو را نشان می‌دهد.
  • Mathew’s Correlation Coefficient (MCC): معیاری برای ارزیابی کیفیت طبقه‌بندی با در نظر گرفتن هر چهار ترکیب خروجی (TP, TN, FP, FN).
  • Cohen’s Kappa (CK) score: معیاری برای سنجش توافق بین پیش‌بینی مدل و مقادیر واقعی، که به طور خاص برای داده‌های طبقه‌بندی شده استفاده می‌شود و توافق تصادفی را نیز در نظر می‌گیرد.

۵. یافته‌های کلیدی

نتایج این پژوهش دستاوردهای قابل توجهی در زمینه استفاده از داده‌های شبکه‌های اجتماعی برای سلامت عمومی به همراه داشته است:

• قدرت پیش‌بینی برتر تحلیل احساسات: مهمترین یافته این تحقیق این است که تحلیل احساسات بیان شده در توییت‌ها، توانایی پیش‌بینی کننده بهتری نسبت به صرفاً داده‌های دموگرافیک برای شناسایی افراد در معرض خطر CVD دارد. این بدان معناست که آنچه افراد در مورد سلامتی خود، نگرانی‌ها و تجربیاتشان بیان می‌کنند، اطلاعات ارزشمندی را ارائه می‌دهد که در داده‌های سنتی به تنهایی یافت نمی‌شود.
• شناسایی افراد پرخطر: این مطالعه نشان داد که با استفاده از رویکرد مبتنی بر رسانه‌های اجتماعی، می‌توان افرادی را که به طور بالقوه در معرض خطر بالای ابتلا به بیماری‌های قلبی‌عروقی قرار دارند، شناسایی کرد. این شناسایی می‌تواند پیشگامانه‌تر از روش‌های رایج باشد.
• اثربخشی NLP و ML: تحقیق، اثربخشی بالای ترکیب تکنیک‌های پردازش زبان طبیعی (NLP) برای درک متن توییت‌ها و مدل‌های یادگیری ماشین (ML) برای طبقه‌بندی و پیش‌بینی را تأیید کرد. این دو حوزه فناوری، ابزارهای قدرتمندی برای استخراج اطلاعات مرتبط با سلامت از حجم عظیم داده‌های متنی فراهم می‌آورند.
• اهمیت متن غیررسمی: یافته‌ها نشان می‌دهند که حتی متن‌های کوتاه، غیررسمی و مملو از اصطلاحات عامیانه در رسانه‌های اجتماعی، حاوی سیگنال‌های ارزشمندی در مورد وضعیت سلامتی افراد هستند.
• مقایسه عملکرد مدل‌ها: نتایج ارزیابی عملکرد با معیارهای استاندارد (مانند دقت، Precision، Recall، F1، MCC و CK) نشان‌دهنده عملکرد قوی مدل‌های پیشنهادی، به خصوص در مقایسه با مدل‌هایی که صرفاً بر اساس داده‌های دموگرافیک بنا شده‌اند، بود.

۶. کاربردها و دستاوردها

این پژوهش پیامدهای عملی و دستاوردهای مهمی برای حوزه سلامت عمومی و فناوری دارد:

• ابزار جدید برای نظارت بر سلامت عمومی: این تحقیق یک روش نوآورانه برای نظارت بر سلامت عمومی، به ویژه در زمینه بیماری‌های قلبی‌عروقی، ارائه می‌دهد. این رویکرد می‌تواند به عنوان یک مکمل ارزشمند برای سیستم‌های موجود مورد استفاده قرار گیرد.
• شناسایی زودهنگام و پیشگیری: قابلیت شناسایی افراد در معرض خطر بالا به معنای امکان دخالت زودهنگام است. مراکز بهداشتی و درمانی می‌توانند با شناسایی این افراد، برنامه‌های پیشگیرانه هدفمندتری را اجرا کنند، مانند ارائه توصیه‌های تغییر سبک زندگی، تشویق به غربالگری‌های منظم، یا ارائه اطلاعات در مورد منابع حمایتی.
• توزیع منابع بهینه: با شناسایی مناطقی با تمرکز بالای افراد در معرض خطر (مانند منطقه آپالاشیا که در این تحقیق مورد توجه قرار گرفته)، می‌توان منابع بهداشتی و آموزشی را به طور مؤثرتر و هدفمندتری توزیع کرد.
• کاهش هزینه‌های سلامت: پیشگیری و مدیریت زودهنگام بیماری‌های قلبی‌عروقی می‌تواند منجر به کاهش چشمگیر هزینه‌های مرتبط با درمان بیماری‌های پیشرفته و عوارض آن‌ها شود.
• توسعه ابزارهای مبتنی بر NLP: این تحقیق مسیر را برای توسعه ابزارها و پلتفرم‌های پیچیده‌تری که از NLP برای تحلیل داده‌های رسانه‌های اجتماعی در حوزه‌های مختلف سلامت استفاده می‌کنند، هموار می‌سازد.
• درک بهتر از بیان نگرانی‌های سلامتی: این پژوهش به ما کمک می‌کند تا درک بهتری از چگونگی بیان نگرانی‌های سلامتی توسط عموم مردم در فضای آنلاین داشته باشیم، که این خود می‌تواند به طراحی کمپین‌های آگاهی‌بخش مؤثرتر کمک کند.
• دسترسی به داده‌های جمعیتی کمتر پوشش داده شده: استفاده از رسانه‌های اجتماعی به طور بالقوه می‌تواند به جمع‌آوری اطلاعات از جمعیت‌هایی که ممکن است به طور معمول در نظرسنجی‌های سلامت سنتی کمتر پوشش داده شوند، کمک کند.

۷. نتیجه‌گیری

در مجموع، این مقاله نشان می‌دهد که رسانه‌های اجتماعی، به خصوص توییتر، مخزن ارزشمندی از اطلاعات نهفته در مورد وضعیت سلامت افراد و جامعه است. با بهره‌گیری از قدرت پردازش زبان طبیعی برای درک احساسات و موضوعات مطرح شده در توییت‌ها، و ترکیب آن با مدل‌های قدرتمند یادگیری ماشین، می‌توان ابزارهای پیش‌بینی‌کننده مؤثری برای شناسایی افراد در معرض خطر بیماری‌های قلبی‌عروقی توسعه داد. این رویکرد، نه تنها به عنوان جایگزینی برای روش‌های سنتی مبتنی بر داده‌های دموگرافیک مطرح می‌شود، بلکه به عنوان یک مکمل قدرتمند، امکان شناسایی زودهنگام‌تر و دقیق‌تر را فراهم می‌آورد. این دستاوردها گامی مهم در جهت بهبود سلامت عمومی و پیشگیری از بیماری‌ها در عصر دیجیتال محسوب می‌شود و بر پتانسیل عظیم فناوری‌های نوین در خدمت سلامت بشری تأکید دارد. آینده پژوهش‌ها در این زمینه می‌تواند شامل بسط واژه‌نامه‌ها، ادغام داده‌های چند پلتفرمی و توسعه مدل‌هایی با قابلیت تفسیرپذیری بالاتر باشد.