基于状态空间模型的社交媒体中药物不良反应预测方法

善文 张(西京学院电子信息学院，中国)
亚红 马(西京学院电子信息学院，中国)
旭启 王(西京学院电子信息学院，中国)

摘要

社交媒体已成为提取药物不良反应(ADR)的重要信息来源，为传统的药物警戒系统提供了有力的补充。但由于社交媒体文本的不规范的语法、拼写错误和口语化表达等特点，给该问题研究带来了巨大挑战。为此，提出一种基于改进状态空间模型（SSM）的ADR预测方法。SSM通过状态空间方程对序列信息进行高效建模，显著提高对社交媒体非标准文本的语义理解能力。实验结果表明，该方法优于其他方法，尤其在处理长文本和复杂语义结构方面表现出独特的优势。该方法为药品安全监测提供了一种新的技术途径。

关键词

药物不良反应；改进状态空间模型；社交媒体；药物不良反应预测

参考

Edwards I, Aronson J. Adverse drug reactions: definitions, diagnosis, and management. Lancet. 2000,356(9237):1255-1259. DOI: 10.1016/S0140-6736(00)02799-9.

LEEC Y, CHEN Y P. Prediction of drug adverse events using deep learning in pharmaceutical discovery [J]. Briefings in Bioinformatics, 2020, 22(2): 1884-1901.

申晨,林鸿飞.基于图嵌入的社交媒体药物不良反应事件检测方法[J].大连理工大学学报,2020,60(5):547-554.

仲雨乐,马诗雯,陆豪杰,等.基于机器学习的药品不良反应实体识别研究综述[J].软件工程,2022,25(8):1-6.

Alahmari A, Fatani S, Ahmed N. Drug-drug interactions: A descriptive analysis of FDA adverse event reporting system. Medicine (Baltimore), 2025,104(38): e44606.

林艳花, 吕小群, 任伟芳, 等. 360例严重药品不良反应和药物相互作用的分析[J]. 中国现代应用药学, 2024, 41(5): 696-701

Jiang H, Lin Y, Ren W, et al. Adverse drug reactions and correlations with drug-drug interactions: A retrospective study of reports from 2011 to 2020[J]. Front Pharmacol, 2022,13:923939. DOI: 10.3389/fphar.2022.923939.

佘朝阳,严馨,徐广义,等.融合数据增强与半监督学习的药物不良反应检测[J].计算机工程.2022,48(6):314-320.

吴菊华,李俊锋,陶雷.基于知识图谱嵌入与深度学习的药物不良反应预测[J].广东工业大学学报,2024,41(1):19-26,40.

Li J, Zhao Y, Wang Z, et al. Identify drug-drug interactions via deep learning: A real world study[J]. Journal of Pharmaceutical Analysis,2025,15(6):101194.

康雁, 徐玉龙, 寇勇奇,等. 基于Transformer和LSTM的药物相互作用预测[J]. 计算机科学,2022,49(6A): 17-21.

何忠玻,严馨,徐广义,等.基于Tri-training的社交媒体药物不良反应实体抽取[J].计算机工程与应用, 2024, 60(3):177-186.

Huang J, Lee W, Lee K. Predicting Adverse Drug Reactions from Social Media Posts: Data Balance, Feature Selection and Deep Learning. Healthcare (Basel),2022,10(4):618. DOI: 10.3390/healthcare10040618.

Gu A, Dao T. Mamba: Linear-Time Sequence Modeling with Selective State Spaces[J]. arXiv:2312.00752,2024. DOI: 10.48550/arXiv.2312.00752

Bansal S, Sreeharish A, Prasath J M, et al. A Comprehensive Survey of Mamba Architectures for Medical Image Analysis: Classification, Segmentation, Restoration and Beyond[J]. arXiv:2410.02362,2024

Patro B, Agneeswaran V. Mamba-360: Survey of State Space Models as Transformer Alternative for Long Sequence Modelling: Methods, Applications, and Challenges[J]. arXiv:2404.16112,2024. DOI:10.48550/arXiv.2404.16112

DOI: http://dx.doi.org/10.12345/yzlcyxzz.v8i9.32014