%0期刊文章%@ 1438- 8871% I JMIR出版物%V 23卡塔尔世界杯8强波胆分析% N 12% P e30753% T关于阿片类药物使用障碍的药物治疗的网络错误信息的特征和识别流行:机器学习方法%A ElSherief,Mai %A Sumner,Steven A %A Jones,Christopher M %A Law,Royal K %A Kacha-Ochana,Akadia %A Shieber,Lyna %A Cordier,LeShaundra %A Holton,Kelly %A De Choudhury,Munmun %+交互计算学院，乔治亚理工学院，亚特兰大桃树街NW 756 W，佐治亚州，30308，美国，1 4043858603，munmund@gatech.edu %K阿片类药物使用障碍%K物质使用%K成瘾治疗%K错误信息%K社交媒体%K机器学习%K自然语言处理%D 2021 %7 22.12.2021 %9原始论文%J J医学互联网Res %G英语%X背景:扩大阿片类药物使用障碍(mod)的药物获取和使用是过量预防的关键组成部分。接受mod的一个重要障碍是在个人通常寻求信息的社交媒体或基于网络的论坛上接触到不准确和可能有害的健康错误信息。非常需要设计计算技术来描述与mod相关的基于网络的健康错误信息的流行情况，以促进缓解工作。目的:通过采用多学科混合方法策略，本文旨在提出机器学习和自然语言分析方法，以识别与mod相关的基于网络的错误信息的特征和流行程度，为未来的预防、治疗和响应工作提供信息。方法:该团队利用Twitter(6,365,245个帖子)、YouTube(99,386个帖子)、Reddit(13,483,419个帖子)和Drugs-Forum(5549个帖子)的英语公开社交媒体帖子和评论。利用公共卫生专家对2400个社交媒体帖子样本的注释，该团队开发了一种有监督的机器学习分类器，这些帖子在语义上与基于表征学习的各种流行阿片类药物使用障碍相关神话最相似。这个分类器确定了一个帖子的语言是否促进了挑战成瘾治疗的主要神话之一:使用激动剂治疗抑郁症只是简单地用另一种药物取代一种药物。随后，通过机器用分类器标记所有未注释的帖子，并注意神话指示性帖子占所有帖子的比例，计算平台级别的患病率。 Results: Our results demonstrate promise in identifying social media postings that center on treatment myths about opioid use disorder with an accuracy of 91% and an area under the curve of 0.9, including how these discussions vary across platforms in terms of prevalence and linguistic characteristics, with the lowest prevalence on web-based health communities such as Reddit and Drugs-Forum and the highest on Twitter. Specifically, the prevalence of the stated MOUD myth ranged from 0.4% on web-based health communities to 0.9% on Twitter. Conclusions: This work provides one of the first large-scale assessments of a key MOUD-related myth across multiple social media platforms and highlights the feasibility and importance of ongoing assessment of health misinformation related to addiction treatment. %M 34941555 %R 10.2196/30753 %U //www.mybigtv.com/2021/12/e30753 %U https://doi.org/10.2196/30753 %U http://www.ncbi.nlm.nih.gov/pubmed/34941555