当好奇心信号预示危险：通过在线药物咨询预测健康危机
计算与语言
2025-09-16 v1
摘要
在线医疗论坛是洞察患者关切的重要但尚未充分利用的信息来源，尤其是关于药物使用的方面。用户提出的众多问题中，有些可能暗示困惑、误用，甚至是正在发展的健康危机的早期预警信号。检测这些可能在严重不良事件或危及生命的并发症之前出现的关键问题，对于及时干预和改善患者安全至关重要。本研究引入了一个从在线论坛中提取的全新标注药物相关问题数据集。每个条目均根据临床风险因素进行人工标注关键性。我们使用 TF-IDF 文本表示对六种传统机器学习分类器的性能进行了基准测试，以及三种利用深度上下文理解的最先进大型语言模型（LLM）分类方法。我们的结果展示了经典方法和现代方法在支持数字健康空间中的实时分诊和预警系统方面的潜力。该整理数据集已公开发布，以鼓励在患者生成数据、自然语言处理和关键健康事件预警系统交叉领域的进一步研究。数据集和基准测试可在以下网址获取：https://github.com/Dvora-coder/LLM-Medication-QA-Risk-Classifier-MediGuard
引用
@article{arxiv.2509.11802,
title = {When Curiosity Signals Danger: Predicting Health Crises Through Online Medication Inquiries},
author = {Dvora Goncharok and Arbel Shifman and Alexander Apartsin and Yehudit Aperstein},
journal= {arXiv preprint arXiv:2509.11802},
year = {2025}
}
备注
5 pages, 2 figures