世界卫生组织(世卫组织)2003年发表的一份报告强调，不遵守(或不坚持)长期治疗是一个全球性问题，不利于卫生系统的整体有效性[ 1］．依从性在本报告中定义为患者的行为(服药、遵守卫生规则和饮食)与卫生保健专业人员(HCP)提出的建议之间的对应程度。不遵守这些建议会影响患者的生活质量(QoL)、结果和医疗成本。

世卫组织确定了不坚持治疗的几个原因，包括卫生系统的特征、患者的疾病和治疗过程。对于抑郁症患者，观察与给药频率和伴随治疗有关。对于癌症患者来说，对与治疗相关的不良反应(AEs)的恐惧会对依从性产生负面影响。对于糖尿病患者，依从性可能因年龄、性别和与医生的关系而异。几项荟萃分析显示，目前改善慢性疾病药物依从性的方法大多很复杂，而且不是很有效[ 2， 3.］．Cochrane小组的结论是(1)更系统和客观地衡量依从性的方法，(2)帮助患者遵循长期医学疾病的药物处方的创新是该领域需要考虑的主要问题。考虑到社交媒体是患者可以讨论他们的治疗和分享证词的平台，它们可以成为衡量治疗依从性的新数据源。

社交媒体的使用允许一大群人通过讨论创建和分享关于健康状况和药物的信息、意见和经验[ 4］．社交媒体为药物警戒专家提供了相关的信息来源[ 5］．本氟明的例子[ 6)说明了社交媒体如何成为专家的宝贵资源。已开发出识别提及不良事件的消息的方法(例如，[ 7])。

社交媒体在改善沟通和患者参与度方面大有希望。 8］．霍瓦特等[ 9]和Taggart等[ 10的研究显示，当艾滋病患者描述理想的社交网络时，信息共享和与他人社交是最常被引用的标准。王等[ 11]使用主题模型对孕妇论坛用户的讨论和兴趣进行建模，并显示妇女们正在分享她们对药物的经历、恐惧和担忧。斯特勒夫森等人[ 12]综述了Web 2.0干预措施，为50岁以上的慢性疾病患者提出了自我管理方案。患者强调了与其他患者互动的好处。例如，通过社交网络共享信息使患者能够更好地与hcp沟通。患者经常使用社交媒体讨论药物副作用和治疗依从性。毛等[ 13]研究了接受芳香化酶抑制剂治疗的乳腺癌患者的信息。总共有18.17%(4589/25,256)的帖子提到了至少一种不良反应，近12.8%(110/862)的个体提到了停止使用芳香化酶抑制剂。Chary等[ 14]研究了从社交媒体估计的处方阿片类药物滥用的地理分布与国家药物使用和健康调查(NSDUH)之间的相关性。他们得出的结论是，推特上提到的药物滥用与NSDUH对阿片类药物滥用的估计密切相关。

社交媒体甚至可能影响治疗依从性。在霍瓦特等人的研究中[ 15]，一项针对艾滋病毒患者的网络调查结果显示，52.6%(164/312)的参与者被认为不合规。Taggart等人发表的元分析[ 10他确定了两项关于艾滋病毒人群的研究，这些研究证明了社交媒体的使用与用户对治疗依从性的改善之间的联系。此外，毛等人[ 13的研究表明，乳腺癌患者为应对药物副作用提供了切实可行的策略，并相互支持。例如，28.10%(7097/25,256)的帖子提到了一些解决芳香化酶抑制剂相关关节痛的方法，包括锻炼和药物，无论是处方还是非处方。

对大量叙事的分析需要自动文本挖掘技术[ 5］．这些技术已被用于从电子健康记录中提取信息。例如，Topaz等人[ 16]挖掘临床故事，以确定不遵守治疗的心力衰竭患者。至于健康记录，检测社交媒体中的不遵守行为也需要文本挖掘技术。

主题模型可以用来发现来自社交媒体的大量消息中的隐藏语义结构。它们可以为不依从行为提供更深入的探索。这种探索是基于患者在现实生活中自己对药物的决定的证词。

我们的目标是评估主题模型方法，以识别描述药物不合规行为的信息。主题对应于代表患者所述主题的单词集群。预计这些主题在消息语料库中的分布能够有针对性地提取与不遵守行为相对应的帖子。我们关注两种不服从行为:(1)剂量改变和(2)治疗停止。

主题建模是一种文本挖掘方法，旨在探索一组文档中出现的主要主题。使用主题模型，文本中经常一起出现的单词被分组为不同的 主题．在这些主题的基础上，主题模型提供了一种对大量文档集合进行无监督分类的工具。潜狄利克雷分配(Latent Dirichlet allocation, LDA)是由Blei等人提出的“…一个生成概率模型的集合离散数据，如文本语料库…“( 17］．

主题建模算法已被用于分析从社交媒体中提取的文本语料库的主题组成，如政治[ 18］．几位作者探索了使用LDA识别健康主题的推文内容，包括烟草使用[ 19]、季节性流感及过敏反应[ 15]，以及儿童肥胖[ 20.］．沙利文等人分析了亚马逊用户的评论，建立了一个食品补充剂评分系统[ 21］．

患者论坛也使用LDA进行了探索。杨等[ 7]分析了来自患者论坛的1500条信息，以检测药物不良反应。通过对该语料库应用LDA模型获得的主题分布，可以对注释语料库与新消息进行相似度测量。作者基于这些度量提出了一个消息分类器。值得注意的是，上述所有研究都使用了英语信息。

为了分析乳腺癌患者的生活质量，Tapi Nzali等[ 22]使用LDA模型调查了Facebook群和法国一个乳腺癌公共论坛的帖子。他们分析了法语信息。

可以应用几种算法来使用主题模型。Blei等人提出的LDA模型的原始版本[ 17已经被广泛使用(例如，[ 7， 19， 20.， 22， 23])。Paul和Dredze开发了LDA模型的扩展[ 15， 24， 25］．来建立他们的 疾病主题方面模型(ATAM)，他们添加了几个组件来将一个术语与一个主题(例如，一种疾病)联系起来，或者认为它不相关。然后，根据1.44亿条推文，他们估计了一般主题和特定疾病主题，如流感、癌症和牙齿问题。与LDA相比，ATAM获得的主题的语义一致性在61%(11/18)的估计主题中更好[ 25］．

在本研究中，我们研究使用LDA来分析患者岗位的主题并识别不合规案例。据我们所知，这是第一个旨在识别与不遵守行为相关的论坛帖子的研究。

数据提取自Detec 't数据库[ 26]，由Kappa开发的数据库Santé [ 27该软件使用网络爬虫程序从几个法国论坛收集信息。Detec 't基于命名实体识别模块从论坛中提取信息，该模块使用Kappa Santé制作的药物词典和模糊匹配算法。该词典基于Racine Pharma和解剖治疗化学(ATC)分类系统[ 28］．Racine Pharma是一个广泛的药物名称来源，涵盖了法国市场上所有可用的药物，包括品牌名称和活性成分。拉辛制药的条目被映射到空中交通管制中心。

更准确地说，我们从Detec 't中提取了两个语料库:第一个语料库对应于抗抑郁药物艾司西酞普兰(escitalopram)的相关信息，另一个语料库与抗精神病药物阿立哌唑(aripiprazole)相关。选择这些药物的理由是，不依从病例更有可能在慢性疾病中发现，是精神疾病管理的一个主要问题[ 29］．此外，这些药物属于两种不同的治疗类别:艾司西酞普兰属于一种被称为选择性血清素再摄取抑制剂的抗抑郁药物;阿立哌唑属于所谓的 非典型的第二代抗精神病药，作为部分多巴胺激动剂。

本研究中从Detec 't数据库中提取的所有信息都是在2004年至2013年间发布在三个最受欢迎的法国论坛(doctissimo, atoute和santé médecine)上的。构成语料库的每条消息的元数据如下:(1)标识符，(2)在论坛上发布的日期，以及(3)提取消息的论坛。信息提取基于各自的品牌名称:药物的Seroplex和Abilify。帖子是根据消息中药物名称的存在来选择的。

评估步骤的目的是评估我们的方法正确识别的消息数量。人工评价分两步进行:

表1显示每个语料库中的消息数量。

escitalopram语料库的初步预处理返回了3650条消息和155,883个token的DTM ( unigrams而且 三元)．将稀疏性阈值设置为99.35%(3626.275/3650)，我们获得了3649条消息和1497个令牌的DTM。其中一条信息被删除了，因为其中包含的术语拼写错误特别严重。

对阿立哌唑语料库的处理产生了2164条消息和81371个标记的DTM。在稀疏性阈值为99.25%(2147.77/2164)的基础上，我们获得了2164条消息和1062个术语的DTM。

的 令牌在语料库中出现频率最低的被移除( 表2)．

使用Cohen kappa系数对20%(169/844)的不合规主题识别的消息进行IAA率测量。我们得到的kappa为0.90(152/169)。

我们计算了与每个感兴趣的主题相关联的不遵守情况对应的消息的比例。查询结果显示在 表3而且 4．在全球范围内，不合规的精确得分为32.6%(272/844)。我们在停用阿立哌唑的题目中得分最低(23.4%，62/265)，在停用艾司西酞普兰的题目中得分最高(46.3%，100/216)。

对20%(阿立哌唑为345/1723，艾司西酞普兰为650/3246)与非依从性行为相关的信息进行分析后发现，只有4条信息描述了非依从性行为，且未被我们的方法检测到。4条假阴性信息都是关于停用阿立哌唑的。对于不同的子集，我们获得了94%(62/66)的阿立哌唑戒烟主题的回忆评分，其他主题的回忆评分为100%。在全球范围内，估计召回评分为98.5%(272/276)。

下面我们将对阿立哌唑语料库的结果进行详细分析。

我们的研究表明，主题模型对于识别报告不合规行为的消息子集是有用的。

主题模型方法检测到不合规行为的案例，平均召回率和精度得分分别为98.5%(272/276)和32.6%(272/844)。我们得出结论，在我们的研究中提出的主题建模是一种有价值的检测不合规的敏感方法。然而，它缺乏特异性。我们确定了几种导致假阳性的情况:(1)同一信息中的两个体验者(例如，彼得服用100毫克，而约翰服用200毫克);(2)不同时间段的事件(如患者报告医生在下次预约时想增加或减少剂量);(3)行动涉及药物以外的东西(例如，另一种药物和戒烟)。此外，在一些假阳性病例中，停药或改药是由医生开具的。

我们重点研究了艾司西酞普兰和阿立哌唑分别用于治疗抑郁症和精神病。

我们的研究集中在两个不同类别的两种药物上。这两种药物都用于治疗精神疾病。一项目前包括50项临床研究和9476名服用抗精神病药物的参与者的综述显示，纳入研究的总体减员率为49% [ 44］．因此，我们关于不服从率和不服从原因的结果不能外推到其他患者档案。其他治疗类别的进一步研究必须进行。

需要手动审查，以区分每个数据集中的真阳性和假阳性。信息中用于描述剂量变化或治疗中断的词汇通常用于描述其他类型的一般性变化或停止(饮食、吸烟等)。主题模型证明了它们识别潜在不合规消息的能力(平均召回率98.5%，272/276)。可以发展句法和语义方法来识别句子中动作所涉及的经验者、时间特征和对象。该方法可以应用于主题模型识别的数据集，以减少假阳性的数量，提高精度评分。

我们工作的另一个局限性是我们方法中使用的阈值的经验确定。阈值涉及DTM大小的减小以及消息与主题关联的重要性:

这种实证方法在这些方法中的应用在文献中屡见不鲜;例如，Prier等人[ 19]通过每50个主题设置测试阈值来为他们的语料库设置合适的主题数量。

据我们所知，我们的研究是第一个旨在分析社交媒体信息中的不合规行为的研究。

大多数研究[ 18， 21， 22， 25]使用主题模型自动标记推文集合。只有2项研究[ 7， 22]关注的是医学主题和来自网络论坛的信息。两者都使用了相同的LDA模型。Tapi Nzali等[ 22]使用相同的R包[ 40］．然而，他们的研究设计是不同的:他们评估了确定的主题和生活质量问卷之间的对应关系，而我们的研究旨在检测不遵守行为。

Yang等人在他们的研究中报告了更高的准确率[ 7］．然而，他们研究的目的是发现adr，而不是不合规行为。

我们的方法可以从一个更复杂的模型中受益。结构主题模型，由Wang等人开发[ 11]，可以对消息中的主题和转换之间的相关性进行建模。附加的组件将能够识别不合规实践和信息(如adr)之间的关系。因此，我们可以确定不坚持每种药物治疗的潜在原因。

消息中的主题分布是对帖子进行分类和检测不合规行为的一种方法。主题建模方法实现了非常高的召回率(98.5%，272/276)。人工审查不依从性主题中的信息显示，服用阿立哌唑或艾司西酞普兰的患者所写的帖子中，有近6.17%(276/4469)显示不依从治疗(其中一半停止治疗)。这些发现表明，社交媒体挖掘可能有助于更好地理解不服从态度。