基于深度學習和語義分析的藥物不良反應發(fā)現(xiàn).pdf

1、藥物的出現(xiàn)對于改善人類的生命健康安全，延長平均壽命有著無可替代的重要意義，因此基于藥物的研究也得到了飛速的發(fā)展與廣泛的關(guān)注。與此同時，藥物所帶來的不良反應也由于其危害性，也成為了公眾無法忽視的問題。藥物不良反應是患者在服用藥物時所產(chǎn)生的治療之外的副作用，該作用一般是有害的，甚至會導致患者的死亡。因而，藥物不良反應發(fā)現(xiàn)的研究也成為了醫(yī)學與學術(shù)領(lǐng)域的重點問題。
　　盡管藥物在投入市場之前會經(jīng)過一系列的研究手段來發(fā)現(xiàn)其不良反應，但是由于

2、藥物自身成分的復雜性以及其種類繁多，傳統(tǒng)的醫(yī)學手段如臨床試驗等受限于時間或金錢等成本，無法有效的獲取藥物全面的不良反應信息，使得約50%的嚴重不良反應在未被檢測之前進入市場。因此新興的數(shù)據(jù)源和研究手段也逐步運用到藥物不良反應發(fā)現(xiàn)領(lǐng)域，如藥物不良事件報告系統(tǒng)、社交網(wǎng)絡媒體等都成為了現(xiàn)階段該領(lǐng)域研究的重點，并取得了良好的效果。因此本文分別針對藥物不良反應報告與社交媒體文本提出了基于深度學習與語義分析的藥物不良反應事件挖掘算法。
　　在

3、不良反應報告的基礎(chǔ)上，本文利用多種生物醫(yī)學文獻與數(shù)據(jù)平臺識別藥物與不良反應實體，采用關(guān)聯(lián)規(guī)則重構(gòu)不良反應報告，生成相應的藥物與不良反應的短句集合，進一步使用深度學習模型生成藥物與不良反應實體的分布式向量表達，實現(xiàn)藥物與不良反應之間潛在聯(lián)系的表達，并通過使用生物醫(yī)學本體過濾已知藥物不良反應，挖掘潛在藥物不良反應。
　　在面向社交媒體的醫(yī)學文本的研究中，本文通過構(gòu)建卷積神經(jīng)網(wǎng)絡模型，將文本轉(zhuǎn)化為基于分布式向量的表達，并融合情感等語義特