تشخیص واکنش‌های نامطلوب دارویی در شبکه‌های اجتماعی

تجویز دارو وظیفه ای است که پزشکان روزانه با هر بیمار روبرو می‌شوند. با این حال، در هنگام تجویز دارو، پزشکان باید از همه عوارض جانبی احتمالی دارو آگاه باشند ۱[۱]. عوارض جانبی مرتبط با دارو یا واکنشهای دارویی نامطلوب (به انگلیسی: adverse drug reaction) حوادث مضر ناشی از دارو هستند. ADRها می‌توانند تأثیرات عمیقی بر کیفیت زندگی بیماران و همچنین ایجاد فشار بیشتر بر سیستم مراقبت‌های بهداشتی داشته باشند [۲]. رسانه‌های اجتماعی، مقدار زیادی از اطلاعات مربوط به استفاده از دارو را از بیماران جمع‌آوری می‌کنند، و برای استخراج واکنش‌های دارویی نامطلوب مهم هستند [۳]. از آنجایی که کاربران اطلاعات ارزشمندی در مورد جنبه‌های مختلف زندگی خود، از جمله مراقبت‌های بهداشتی، اثرات جانبی ناشناخته ناشی از یک دارو و … منتشر می‌کنند؛ بنابراین، تشخیص واکنشهای دارویی نامطلوب از رسانه‌های اجتماعی به یکی از ابزارهای واقعی داروسازی تبدیل می‌شود [۴].

مقدمه

تشخیص عوارض دارویی یکی از اصلی‌ترین کارها در صنعت داروسازی است. قبل از انتشار دارو، تعدادی کارآزمایی بالینی به منظور تشخیص عوارض جانبی انجام می‌شود که بیشتر در دستورالعمل دارو است. با این حال، آزمایشات بالینی اجازه نمی‌دهد که تمام عوارض جانبی دارو را شناسایی کنند، زیرا برخی از آنها پس از مصرف طولانی مدت دارو ظاهر می‌شوند یا فقط بر روی گروه خاصی از بیماران که در آزمایشات بالینی شرکت نکردند، تأثیر دارند بسیاری از عوارض و واکنش دارویی در ارزیابی پس از بازاریابی یافت می‌شوند. سازمان غذا و داروی ایالات متحده نظارت بر بازاریابی داروهای تأیید شده را کنترل می‌کند، برای نظارت بر ایمنی، پایگاه داده‌ای به نام سیستم گزارش دهی رویدادهای جانبی را اداره می‌کند. وب سایت‌های رسانه‌های اجتماعی، مانند توییتر، فیس بوک و Google Circle، بستری در دسترس را برای مصرف‌کنندگان فراهم می‌کند تا تجارب خود را با داروهایی که گزارش نمی‌دهند به ارائه دهنده خدمات درمانی ارائه دهند. این شبکه‌های اجتماعی می‌توانند راه‌ها و بسترهای جدیدی را برای برقراری ارتباط بیمار از بیمار فراتر از الگوی سنتی پزشک به بیمار فراهم کنند. تخمین زده می‌شود که یک چهارم بیمارانی که از بیماری‌های مزمن رنج می‌برند، تجربیات مرتبط با سلامتی را با یکدیگر در رسانه‌های اجتماعی به اشتراک بگذارند.

شبکه‌های اجتماعی

یکی از اولین توانایی‌های و تمایلات انسانی برقراری ارتباط است. شبکه اجتماعی ساختاری اجتماعی است که از گروه‌هایی (عموماً فردی یا سازمانی) تشکیل شده‌است که توسط یک یا چند نوع خاص از وابستگی مانند ایده‌ها و تبادلات مالی، دوستان، خویشاوندان، لینک‌های وب، و سرایت بیماری‌ها (اپیدمولوژی) به هم وصل هستند. تجزیه و تحلیل شبکه‌های اجتماعی فرایند بررسی ساختارهای اجتماعی از طریق استفاده از شبکه‌ها و تئوری نمودار است. این ساختارهای شبکه را از نظر گره‌ها (بازیگران فردی، افراد یا چیزهای درون شبکه) و پیوندها، لبه‌ها یا پیوندها (روابط یا تعامل) مشخص می‌کند که آنها را به هم متصل می‌کند. تحلیل شبکه‌های اجتماعی روابط اجتماعی را با اصطلاحات رأس و یال می‌نگرد. به بیان دیگر، در ساده‌ترین شکل، یک شبکه اجتماعی نگاشتی از تمام یال‌های مربوط، میان رأس‌های مورد مطالعه‌است. این شبکه‌ها در زمینه‌های مختلفی کاربرد فراوان دارند از جمله حوزه سلامت و مراقبت‌های بهداشتی می‌باشد که بحث گزارش فوق در زمینه استفاده از این شبکه‌ها در زمینه مراقبت بهداشتی و شناسایی واکنش‌های نامطلوب دارویی می‌باشد.

عوارض جانبی دارو

عوارض جانبی دارویی (به انگلیسی: adverse drug event) که توسط سازمان بهداشت جهانی تعریف شده‌است، پاسخی ناخواسته به یک داروی در دوزهایی که معمولاً در انسان مصرف می‌شود. عوارض دارویی سلامت عمومی را به شدت تهدید می‌کند و به دلیل اصلی مرگ درآمده است، تشخیص آن یکی از اصلی‌ترین کارها در صنعت داروسازی است. عوارض جانبی دارویی را می‌توان به دو دسته تقسیم کرد: عوارض جانبی دارویی قابل پیشگیری خطاهای دارویی هستند که منجر به آسیب بیمار می‌شوند، و ADEهای غیرقابل پیشگیری که به آنها واکنش‌های دارویی نامطلوب گفته می‌شود.

واکنش‌های نامطلوب دارویی

واکنش‌های نامطلوب دارویی (ADR) توسط سازمان بهداشت جهانی به عنوان پاسخ ناخواسته به دارویی است که در انسان برای درمان استفاده می‌شود تعریف شده‌است [۲]. واکنش دارویی نامطلوب به معنای آسیب دیدگی ناشی از مصرف دارو است. این صدمات می‌تواند از صدمات جزئی مانند بثورات پوستی تا واکنشهای مهم تهدید کننده زندگی گسترش یابد. واکنش‌های نامطلوب دارویی می‌توانند تأثیرات عمیقی بر کیفیت زندگی بیماران و همچنین ایجاد فشار بیشتر بر سیستم مراقبت‌های بهداشتی داشته باشند واکنش‌های دارویی در دو فاز قبل از بازاریابی و بعد از بازاریابی مورد بررسی قرار می‌گیرد، در فاز اول به دلیل محدودیت بررسی‌ها انجام شده نتایج مشخصی را نمی‌توان به دست آورد اما در فاز دوم به دلیل اینکه افراد بیشتری از دارو استفاده می‌کنند واکنش‌های دقیق تری را می‌توان به دست آورد.

شناسایی واکنش‌های نامطلوب دارویی

واکنش نامطلوب دارویی یکی از ابهامات بسیاری است که در زمینه داروخانه و تشخیص پزشکی به عنوان یک تهدید مهلک در نظر گرفته می‌شود. نهایت دقت لازم برای آزمایش یک داروی جدید قبل از معرفی و در دسترس عموم است. اما این کارآزمایی‌های بالینی به تنهایی برای اطمینان از ایمنی کافی نیست. بسیاری از واکنش‌ها در مراحل بعدی مصرف کشف می‌شوند که نمی‌توان در طول آزمایشات پیش بالینی کشف کرد. از بعد دیگر این نوع واکنش‌ها دارای بار اقتصادی زیادی می‌باشند و بر کیفیت زندگی تأثیر می‌گذارد و نیز عامل اصلی مرگ و میر است.

تشخیص واکنش‌های نامطلوب داوریی در شبکه‌های اجتماعی

واکنش‌های دارویی نامطلوب می‌تواند عواقب جدی برای بیماران داشته باشد. رسانه‌های اجتماعی منبع اطلاعاتی مفید برای تشخیص عوارض جانبی ناشناخته از یک دارو است زیرا کاربران اطلاعات ارزشمندی را در مورد جنبه‌های مختلف زندگی خود، از جمله مراقبت‌های بهداشتی ، منتشر می‌کنند؛ بنابراین، تشخیص واکنشهای دارویی نامطلوب از رسانه‌های اجتماعی به یکی از ابزارهای واقعی داروسازی تبدیل می‌شود[۴]. با توجه به محدودیت‌های واکنش دارویی نامطلوب در انگیزه تعدادی از محققان، آزمایشات بالینی و سیستم‌های نظارت بر ایمنی دارو پس از بازار، تعدادی از محققان داده‌های رسانه‌های اجتماعی را به عنوان منبع اطلاعاتی ADR مورد بررسی قرار داده‌اند[۱۴].

چالش‌های کشف واکنش‌های نامطلوب دارویی در شبکه اجتماعی

اخیراً رسانه‌های اجتماعی با توئیتر و فیس بوک به ترتیب بیش از ۳۰۰ میلیون و ۱٫۴ میلیارد کاربر فعال ثبت کرده‌اند. رسانه‌های اجتماعی قبلاً در حوزه‌های مختلف مورد استفاده قرار گرفته‌اند که کاربرد بالقوه آنها در زمینه داروسازی را نشان می‌دهد، اما در کنار کاربرد فراوان و بیشمار شبکه‌های اجتماعی همواره با برخی از چالش‌ها رو به رو هستیم که می‌توان به موارد فوق اشاره نمود:

۱-دسترسی به داده‌ها:داده‌های موجود در شبکه‌های اجتماعی روزانه در حجم زیادی تولید می‌شود اما امکان دسترسی به این داده فقط با مجوز شرکت‌های در اختیار می‌توان از این اطلاعات استفاده کرد که اگر این مجوز داده نشود دچار مشکل خواهیم شد. ۲-عدم استفاده از عبارات فنی[۱۵]: بیشتر کاربران برای گزارش واکنشی که رخ داده‌است از اصطلاحات عامیانه استفاده می‌کنند و تطبیق آنها با عبارات فنی و شناسایی واکنش چالشی مشکل است. ۳-خطاهای دستوری :ماهیت غیررسمی رسانه‌های اجتماعی منجر به شیوع گرامر ضعیف، اشتباهات املایی، اختصارات و زبان عامیانه می‌شود. بیشتر کاربران در انتشار محتوایی که تولید می‌کنند به دستورات گرامری توجه ندارند یا گاهی از عباراتی استفاده می‌کنند که موجب خطا می‌شود و نیز الگوریتم‌هایی که مورد استفاده قرار می‌گیرند ممکن است دچار مشکل شود یا نتیجه ای که ارائه می‌دهند صحت نداشته باشد. ۴-حساب‌های جعلی:یکی از چالش‌های شبکه‌های اجتماعی برخط، فراوانی حساب‌های جعلی در محیط این شبکه‌ها است که توسط عوامل خودکار کنترل برای اهداف مخرب به کار گرفته می‌شوند که می‌توانند با ثبت واکنش‌های نادرست منفی در نتایج بررسی اختلالال ایجاد کنند.

روش‌های کشف واکنش‌های نامطلوب دارویی در شبکه‌های اجتماعی

برای کشف واکنش‌های دارویی در شبکه‌های اجتماعی از پست و نظرات کاربران بیشتر استفاده می‌شود و چالش‌های این حوزه را ذکر کردیم، طیف گسترده از روش‌هایی که در این خصوص وجود دارد جهت برچسب زنی استفاده می‌شوند. نمی‌توان دسته‌بندی کلی را جهت برچسب زنی ارائه نمود زیرا برحسب هدف و داده‌های مورد استفاده می‌تواند متفاوت باشد. شمار زیادی از روش‌های موجود این حوزه در دو دسته روش‌های آماری سنتی و روش‌های مبتنی بر شبکه عصبی تقسیم می‌شوند. برای شناسایی واکنش‌های دارویی بدون توجه به روش مورد استفاده ابتدا نیازمندیم در گام اول داده هارا پیش پردازش کنیم و در گام دوم برحسب نیاز از روش‌های طبقه‌بندی /خوشه بندی استفاده می‌کنیم. جهت کشف و شناسایی واکنش‌های دارویی بیشتر از داده‌های در قالب متن استفاده می‌شود و پیش از آنکه بخواهیم بر اساس این داده هامدل بسازیم و آنها را طبقه‌بندی کنیم نیازمندیم که پیش پردازشی برروی آنها انجام دهیم سپس بعد از آن بااستفاده از روش‌هایی که با هدف و کاربرد ما در تناسب است طبقه‌بندی را انجام می‌دهیم و پس از آن نتایج را به نحوی تبدیل می‌کنیم که برای کاربر قابل فهم باشد و بتواند از نتایج استفاده لازم را ببرد(۲۴).

پیش پردازش داده‌ها

بیشتر منابعی که در اختیار داریم به صورت تخصصی جمع‌آوری نشده‌است و برای استراخ نتایج مطلوب نیازمندیم که پیش از استفاده در روش‌های طبقه‌بندی یا خوشه بندی این نوع داده‌ها به قالب قابل استفاده تبدیل کنیم. فرایند استخراج متون از جمله زیر شاخه‌های پردازش زبان طبیعی است که متن را برای تجزیه و تحلیل آماری یا کشف الگو آماده می‌کند. از جمله منابع غنی برای شناسایی واکنش‌های دارویی پست‌های توییتر می‌باشد، از جمله پیش پردازش‌هایی که باید انجام دهیم حذف URL، حذف نام کاربری، حذف کاراکترهایی از جمله نقل قول (“”)، حذف علامت‌هایی از قبیل (#,@) می‌باشد. بیشتر کاربران هنگام توییت کردن به دستورات املایی توجهی ندارند به همین دلیل از دیگر گام‌های پیش پردازش تصیح غلط‌های املایی است که در این راستا چندین فرهنگ لغت تهیه شده‌است از جمله می‌توان به موارد فوق اشاره نمود:MedDRA,smoke word و…از جمله دیگر مراحل آماده‌سازی داده‌ها شامل حذف توییت‌های غیر از انگلیسی، حذف حروف تکراری که گاهی برای نشان دادن شدت احساسات استفاده می‌شود، حذف کلمات اختصار و ریشه یابی کلمات می‌باشد[۱۶].

روش‌های طبقه‌بندی واکنش

الگوریتم‌های یادگیری ماشین را می‌توان به چهار نوع تقسیم کرد، یادگیری نظارت شده، یادگیری بدون نظارت، یادگیری تحت نظارت و یادگیری تقویتی. الگوریتم‌های یادگیری نظارت شده هنگامی استفاده می‌شوند که از متغیر هدف استفاده شده باشد. الگوریتم‌های یادگیری تحت نظارت وقتی وجود ندارد که متغیر هدف وجود داشته باشد استفاده می‌شود. الگوریتم‌های تحت نظارت پشتیبانی می‌توانند زمانی که متغیر هدف در داده‌ها دسته ای باشد استفاده شود. یادگیری تقویت هنگامی که متغیر هدف در داده‌ها مقوله ای باشد یا متغیر هدف وجود نداشته باشد می‌تواند در داده‌ها پیاده‌سازی شود. ازجمله روش‌های بسیار معروفی که در این زمینه استفاده می‌شود به شرح ذیل است:

شبکه‌های عصبی مکرر (به انگلیسی :Recurrent neural network):شبکه‌های عصبی مکرر، همچنین به عنوان RNN شناخته می‌شوند، طبقه ای از شبکه‌های عصبی هستند که اجازه می‌دهند در هنگام داشتن حالتهای پنهان، از خروجی‌های قبلی به عنوان ورودی استفاده شود. شبکه‌های عصبی مکرر /(RNNs)یک کلاس از شبکه‌های عصبی هستند که به‌طور طبیعی برای پردازش داده‌های سری زمانی و سایر داده‌های متوالی مناسب هستند. در آن اتصالات بین گره‌ها یک گراف جهت دار در طول یک توالی زمانی تشکیل می‌دهند. این اجازه می‌دهد تا رفتار پویا موقتی نشان دهد. RNNها که از شبکه‌های عصبی قابل تغذیه به دست می‌آیند، می‌توانند از حالت داخلی (حافظه) خود برای پردازش توالی متغیر ورودی استفاده کنند و این باعث می‌شود آنها برای کارهایی نظیر شناسایی، دست‌نویس مرتبط یا تشخیص گفتار قابل اجرا باشند. پس از اینکه این مرحله به اتمام رسید با توجه به نتایجی که از مراحل قبل به دست آمده به شکل جداول یا نمودار به کاربر نشان می‌دهیم.

پرونده:RNN for text classifiacion.png

معماری شبکه های عصبی مکرر در طبقه بندی متون

شبکه عصبی پیچشی (به انگلیسی: Convolutional neural network):شبکه با یک لایه حلقوی با واحدهای اصلاح شده خطی شروع می‌شود. یک RLU ورودی را می‌گیرد و اگر بزرگتر از ۰ باشد، ورودی اصلی را برمی‌گرداند، در غیر این صورت، ۰ را برمی‌گرداند. فیلترهای حلقوی معمولاً دارای عرض یکسانی با کلمات بردارها هستند، بنابراین، نقشه‌های ویژگی را تنها با ۱ ستون تولید می‌کنند. سپس شبکه توسط یک لایه استخر حداکثر جمع می‌شود که حداکثر عنصر را از هر ستون می‌کشد. لایه آخر یک لایه منبع تغذیه به یک لایه خروجی با هر دو فعال سازی سیگموئید یا نرم‌افزار بسته به اینکه طبقه‌بندی باینری یا چند جمله ای است بستگی دارد.

پرونده:CNN of text classification.png

معماری شبکه های عصبی پیچشی در طبقه بندی متون

شبکه عصبی تکاملی مکرر (به انگلیسی :Recurrent Convolutional Neural Network):یکی دیگر از معماری‌هایی که در کار طبقه‌بندی جمله به نتایج قابل قبولی دست یافته‌است، شبکه عصبی مکرر Convolutional (RCNN) است. RCNN همچنین با یک لایه حلقوی مانند CNN آغاز می‌شود اما به دنبال یک لایه مکرر به جای یک لایه مخلوط حداکثر است. فیلترهای حلقوی همان عرض تعبیه را دارند و به گونه ای اعمال می‌شوند که خروجی‌ها دارای همان تعداد ردیف باشند به عنوان input.also از تابع Rectified Linear به عنوان تابع فعال سازی برای لایه کانسیلر استفاده کنید. برای لایه مکرر، در مرحله زمان t، گره مکرر ورودی را از خروجی‌های تولید شده توسط همه فیلترهای حلقوی در ردیف t و مقادیر قبلی در مرحله زمان t - 1. گرفته می‌شود. برای فعال سازی، از واحدهای مکرر Gated recurrent استفاده می‌کنیم. سرانجام گره‌ها در آخرین مرحله زمانی کاملاً به یک گره منفرد با فعال سازی سیگموئید متصل می‌شوند تا طبقه‌بندی باینری ایجاد شود.

شبکه عصبی مکرر تکاملی (به انگلیسی: Convolutional Recurrent Neural Network):با الهام از RCNN، ما یک معماری جدید به نام شبکه عصبی مکرر Convolutional Recurrent را معرفی می‌کنیم که یک لایه حلقوی را در بالای یک لایه مکرر پشته می‌کند، که خلاف RCNN است. شهود در پشت این امر این است که لایه مکرر می‌تواند زمینه‌های جهانی را قبل از اطلاعات منتقل شده به لایه حلقوی، ضبط کند. لایه‌های پیچیده و حداکثر جمع کردن، جایگزین میانگین سنتی بیش از ویژگی‌های پنهان یا فقط ویژگی‌های پنهان در آخرین کلمه در جمله می‌شوند.

معیار های ارزیابی

معیارهایی ارزیابی بر حسب نوع کاربرد و هدفی که کاربر دارد استفاده می شود گاها ممکن است معیار کیفیت روش از نظر زمان و یا از نظر هزینه مورد بررسی قرار گیرد، بااین حال برخی از مهم ترین و پراستفاده ترین معیار هایی که برای این حوزه استفاده می شود:

• Recall : عبارت است از نسبت (tp / tp + fn) که در آن tp تعداد مثبت های واقعی و تعداد منفی های کاذب است. Recall به طور شهودی توانایی طبقه بندی کننده برای یافتن تمام نمونه های مثبت است. بهترین مقدار 1 و بدترین مقدار است.
• Precision : به عنوان تعداد مثبت های واقعی تقسیم بر تعداد مثبت های واقعی به علاوه تعداد مثبت های کاذب تعریف شده (Precision = TP / (TP + FP است.
• Accuracy :عداد نقاط داده های پیش بینی شده صحیح از تمام نقاط داده است. به طور رسمی تر ، به عنوان تعداد مثبت های منفی و منفی های واقعی تقسیم بر تعداد مثبت های واقعی ، منفی های واقعی ، مثبت های کاذب و منفی های دروغین تعریف می شود.

منابع

• Fan Br,Fan We, Smith Ca, Garner Ha .(2020).Adverse drug event detection and extraction from open data: A deep learning approach.Elsevier.,57(102131)
• Khalil H ,Huang C.(2020).Adverse drug reactions in primary care: a scoping review.BMC Health Services Research,(10.1186).
• Shen Ch ,Lin Ho ,Guo Ka,Xu Kan,ang Zh,Jian Wa .(2018).Detecting adverse drug reactions from social media based on multichannel convolutional neural networks.Springer,Neural Computing and Applications,4799–4808.
• Alimova ILs , Tutubalina El.(2018).Automated Detection of Adverse Drug Reactions from Social Media Posts with Machine Learning.Springer,International Publishing AG,(10716,) pp. 3–15
• Moh Me,Moh Te,Peng Ya,Wu Li.(2017)٫On adverse drug event extractions using twitter sentiment analysis.Springer,Netw Model Anal Health Inform Bioinforma,/s13721-017-0159-4,pp 6-18.
• Liu Ji ,Zhao So ,Wang Ga.(2017).A semi-supervised ensemble learning framework for extracting adverse drug events from social media.Elsevier,Artificial Intelligence in Medicine,/j.artmed.2017.10.003
• Zeng D, Chen H, Lusch R, Li SH, et al.(2010). Social media analytics and intelligence.IEEE Intell Syst 2010;25:13–6.
• Stergiopoulos St ,Brown Ca,Felix Th,Grampp Gu ,Getz Ke.(2016).A Survey of Adverse Event Reporting Practices Among US Healthcare Professionals. Springer,Drug Saf,s40264-016-0455-4.
• Chazard Em, Ficheur Gr, Bernonville St, Luyckx Mi,Beuscart Re.(2011).Data Mining to Generate Adverse Drug Events Detection Rules.IEEE TRANSACTIONS,INFORMATION TECHNOLOGY IN BIOMEDICIN,1089-7771.
• Tanviris La,Hussain Na,Islam Sa,Chakrabarty Am.(2018).Detecting Adverse Drug Reaction with Data Mining And Predicting its Severity With Machine Learning.IEEE, Region 10 Humanitarian Technology Conference,2374-023X.
• Masino Aar,Forsyth Da, Fiks Al.(2018).Detecting Adverse Drug Reactions on Twitter with Convolutional Neural Networks and Word Embedding Featur.Springer, International Publishing,s41666-018-0018-9
• 15-محمدرضا کیوانپور،فرانک حسن زاده،محمد مرادی،مباحث پیشرفته در داده کاوی،چاپ دوم، نشردانشگاهی کیان،1397
• -Hussain, Nadib Islam, Tanvir Apu, Rafik Un Nabi,(2018).Detecting Adverse Drug Reaction (ADR) with data mining and predicting its intensity with machine learning.BRAC University,Science in Computer Science and Engineering,10965
• Tejas K. Patel , Parvati B. Patel.(2018).Mortality among patients due to adverse drug reactions that lead to hospitalization: a meta-analysi. Springer,Pharmacoepidemiology and Prescription,s00228-018-2441-5
• Fan, B., et al. (2020). "Adverse drug event detection and extraction from open data: A deep learning approach." Information Processing & Management 57(1): 102131.
• Hong-Jie Daia, b., Chen-Kai Wangc (2019). "Classifying adverse drug reactions from imbalanced twitter data." International Journal of Medical Informatics,ScienceDirect 129: 122-132
• Moh, M., Moh, T., Peng, Y. et al. On adverse drug event extractions using twitter sentiment analysis. Netw Model Anal Health Inform Bioinforma 6, 18 (2017).
• (Harpaz R, Callahan A, Tamang S, et al. Text mining for adverse drug events: the promise, challenges, and state of the art. Drug Saf. 2014;37(10):777-790. doi:10.1007/s40264-014-0218-z

27- extraction from open data: A deep learning approach." Information Processing & Management,sciencedirect 57(1).

• extraction from open data: A deep learning approach." Information Processing & Management,sciencedirect 57(1).
• YingZhangab, S., HuiyingGaoa (2020). "Adverse drug reaction detection on social media with deep linguistic features." Journal of Biomedical Informatics,sciencedirect 106.
• Wim De Muldera, Steven Bethardb, Marie-Francine Moen (2015). "ReviewA survey on the application of recurrent neural networks tostatistical language modeling." Computer Speech & Language,sciencedirect 30(1): 61-98.
• A. Singh, N. Thakur and A. Sharma, "A review of supervised machine learning algorithms," 2016 3rd International Conference on Computing for Sustainable Global Development (INDIACom), New Delhi, 2016, pp. 1310-1315.
• Huynh, Trung; He, Yulan; Willis, Alistair and Rüger, Stefan (2016). Adverse Drug Reaction Classification With Deep Neural Networks. In: Proceedings of COLING 2016: Technical Papers, COLING, pp. 877–887.

This article "تشخیص واکنش‌های نامطلوب دارویی در شبکه‌های اجتماعی" is from Wikipedia. The list of its authors can be seen in its historical and/or the page Edithistory:تشخیص واکنش‌های نامطلوب دارویی در شبکه‌های اجتماعی. Articles copied from Draft Namespace on Wikipedia could be seen on the Draft Namespace of Wikipedia and not main one.

---

 Facebook Page

 Follow us on Twitter !

Read or create/edit this page in another language

• تشخیص واکنش‌های نامطلوب دارویی در شبکه‌های اجتماعی in English