积极评估并学习关键区别：基于急诊 triage 笔记的疫苗安全信号检测

新冠疫苗的快速发展展示了全球社区在应对传染病方面的能力。然而，由于临床试验中收集安全数据的窗口有限且早期广泛实施，后监管 surveillance 系统的需求日益增长。本研究旨在采用自然语言处理技术和主动学习方法，快速开发一种检测新冠疫苗潜在安全问题的分类器。急诊 triage 笔记包含了关于患者关键健康信息的专家简洁记录，这些信息在患者进入医疗系统的节点上具有重要意义，可显著促进及时疫苗安全信号监测。虽然基于关键词的分类有效，但可能产生误报并需要 extensive 的关键词修改。由于疫苗相关的急诊病例不常见且与其他急诊原因相似，这一问题尤为突出。虽然 NLP 提供了更准确和更高效的替代方案，但需要标注数据，而医学领域的标注数据往往稀缺。主动学习可优化标注过程并提高标注数据质量，从而实现更快的模型部署和更好的模型性能。本 work 结合主动学习、数据增强和主动学习与评估技术，创建用于增强从急诊 triage 笔记进行疫苗安全监测的分类器。