❇️ نام مقاله:
Comprehensive analytics of COVID-19 vaccine research: From topic
modeling to topic classification
✍️ نویسندگان:
دکتر سعید روحانی، فاطمه مظفری
🗓سال انتشار: ۲۰۲۴
📔ژورنال:
Artificial Intelligence in Medicine (AIIM)
♦️ مقالات پژوهشی در حوزه پزشکی همواره بخش عظیمی از دانش این حوزه را تشکیل داده است. به دنبال همه‌گیری کووید-19 در اواخر سال 2019، تحقیقات واکسن کووید-19 نقش حیاتی در کنترل موفق این بیماری ایفا نمود و مقالات بسیاری در فاصله سال‌های 2020 تا 2022 منتشر گردید. این تلاش‌ها لزوم انجام یک تحلیل ساختاریافته به عنوان تحقیق ثانویه برای استخراج بینش‌های مفید از این داده‌ها را ایجاد نموده است. در این راستا می‌توان از تکنیک‌های متن کاوی نظیر مدلسازی موضوعی، تحلیل احساسات و دسته‌بندی موضوعی متن، جهت استخراج دانش از حجم بالای مقالات بهره برد.
📍در این مقاله چکیده‌های مقالات نمایه شده در Scopus و Pubmed شامل 4803 چکیده مورد تحلیل‌های متن‌کاوی قرار گرفته است.
1️⃣ در گام اول، با استفاده از روش LDA (Latent Dirichlet Allocation) مدلسازی موضوعی مقالات انجام شده است که منجر به شناسایی 25 موضوع و 8 حوزه تحقیقاتی در این زمینه گردیده است. موضوعات شامل گزارش ایمنی پس از تزریق، پاسخ ایمنی واکسن، واکنش آلرژیک (Anaphylactic)، گزارش موردی، اضطراب مرتبط با کووید-19 در رسانه‌های اجتماعی، ایمنی و اثربخشی در خانم‌های باردار، مقاومت در برابر واکسیناسیون، گروه بندی سنی، توصیه ACIP، نتایج افراد دارای سرطان، پذیرش واکسن در بیماران دارای نقص ایمنی، واریانت‌ها و … می‌باشد که در 8 حوزه تحقیقاتی «گزارش‌دهی»، «پذیرش»، «واکنش»، «نظرسنجی‌های انجام شده»، «بارداری»، «واریانت‌ها»، «نظرسنجی‌های طبقه‌بندی شده» و «رویکردهای بین‌المللی» قرار گرفته‌اند.
2️⃣ در گام دوم، تحلیل احساسات و تغییرات مربوط به آن برای هر موضوع در طول زمان (از سال 2020 تا 2022) بررسی شده است. برای تحلیل احساسات از روش lexicon-based و استفاده از VADER به کار رفته است. نتایج این تحلیل نشان می‌دهد که هر چند اغلب موضوعات مرتبط با واکسن در 2020 دارای احساسات مثبت یا خنثی بوده‌اند که نشان دهنده امیدواری بسیار در مجامع علمی نسبت به این واکسن در جهت حفاظت در مقابل بیماری بوده است، با این حال، در سال‌های 2021 و 2022 برخی از موضوعات دارای احساسات منفی بوده‌اند که ناشی از برخی از عوارض جانبی، گزارش‌های موردی و نگرانی‌هایی در خصوص اثربخشی آن برای واریانت‌‌های جدید می‌باشد.
3️⃣ در گام سوم، دسته‌بندی موضوعی مقالات جدید با استفاده از الگوریتم‌های یادگیری ماشین CNN-LSTM انجام شده است. با استفاده از این مدل برای هر مقاله جدید در این حوزه، می‌توان یکی از موضوعات از پیش تعیین شده را به عنوان موضوع غالب در آن مقاله با دقت 75% شناسایی نمود.
❇️ استفاده از این رویکرد که شامل ترکیبی از تکنیک‌های مختلف متن کاوی است، ضمن فراهم نمودن درک سریعی از ساختار تحقیقات در مورد واکسن کووید-19، می‌تواند به عنوان رویکردی در انجام نوع جدیدی از مرور سیستماتیک ادبیات در مطالعات پزشکی و واکسن به همراه دانش تخصصی در این حوزه‌ها مورد استفاده قرار گیرد.
می توانید این مقاله را از لینک زیر دانلود نمایید.
https://www.sciencedirect.com/science/article/abs/pii/S0933365724002227
