Omvandla användarnas berättelser till signaler om vaccinsäkerhet: Avancerad textanalys av syndromiska appdata i Storbritannien och Sverige

Projektbeskrivning

Vaccination är en hörnsten i folkhälsoarbetet och förhindrar miljontals dödsfall varje år genom att minska risken för infektions­sjukdomar. Covid-19-pandemin visade hur viktigt det är med snabb vaccin­utveckling och mass­vaccinering. Oro över biverkningar efter immunisering understryker dock behovet av rigorös övervakning efter godkännande för att upprätthålla allmänhetens förtroende och säkerhet.

Denna studie utvecklar ett arbetsflöde för att extrahera vaccin­säkerhets­signaler från användar­genererade berättelser om COVID-19-vaccination med hjälp av ZOE Covid Symptom Study-appen i Storbritannien och Sverige. Signaler är tidiga indikatorer på en potentiell koppling mellan ett vaccin och en negativ händelse. Signalerna kan användas tillsammans med resultat från andra källor för att vägleda läkare och experter på biverknings­bevakning till ytterligare under­sökningar och hjälpa dem att avgöra om lagstiftnings­åtgärder är nödvändiga.

Vår studie omfattar uppgifter från 24 626 brittiska deltagare (16 oktober 2020 - 3 november 2021) och 812 svenska deltagare (14 december 2020 - 12 februari 2022). Vi analyserade fritext¬inlämningar med fokus på berättelser två månader före och efter vaccinationen. Vi använde Large Language Models och Natural Language Processing-pipelines som utvecklats av spaCy för att utföra text­behandling, inklusive tokenisering och lemmatisering. Vi utför ämnes­modellering med BERTopic för att skapa täta ord­kluster och samman­hängande ämnen för kontext­baserad semantisk mönster­analys. Vårt tillväga­gångs­sätt syftar till att förbättra övervakning av vaccin­säkerhet i realtid.