- ICH GCP
- US Clinical Trials Registry
- Klinisk forsøg NCT05442762
Sociale medier-baseret vaccinesikkerhed og tøvenovervågning
Et socialt mediebaseret maskinlæringsstudie for at overvåge vaccinesikkerhed og tøven og tidligt advare nye vaccinerelaterede risici i realtid
Historie og videnskabelige beviser viser, at det er afgørende at bevare offentlighedens tillid og tillid til vaccination. Enhver tillidskrise har potentiale til at forårsage betydelige forstyrrelser og en skadelig indvirkning på vaccination. Vaccinetøven er et komplekst og kontekstspecifikt problem, der varierer på tværs af tid, sted og vacciner. Det er blevet citeret af Verdenssundhedsorganisationen (WHO) som en af de ti største trusler mod global sundhed i 2019. Coronavirus sygdom (COVID-19) pandemi kan ændre offentlighedens tillid til vacciner. Derfor er det nødvendigt at etablere et overvågningssystem til at overvåge vaccinesikkerhed og tøven i realtid.
Til dato har en voksende mængde litteratur brugt sociale medieplatforme som Twitter og weico til forskning i folkesundhed. Store mængder realtidsdata udsendt på sociale medieplatforme kan bruges til hurtigt at identificere offentlighedens holdninger til vacciner, som en måde at understøtte sundhedskommunikation og sundhedsfremme, budskaber. Tekstdata på sociale medier er dog svære at analysere. De seneste fremskridt inden for maskinlæring gør det muligt automatisk at analysere tekstdata på sociale medier i realtid.
I denne undersøgelse vil efterforskerne etablere en overvågnings- og analyseplatform på sociale medier om vacciner, udvikle en række maskinlæringsmodeller til at overvåge vaccinesikkerhed og tidligt opdage nye vaccinerelaterede risici og vurdere offentlig kommunikation omkring vacciner. Efterforskerne vil vurdere den tidsmæssige og rumlige fordeling af vaccinesikkerhed og tøven globalt ved hjælp af Twitter-data og i Kina ved hjælp af weico-data for henholdsvis alle vacciner og Human Papilloma Virus (HPV)-vaccine. Vores undersøgelse vil guide udformningen af effektive sundhedskommunikationsstrategier for at forbedre vaccinetilliden.
Studieoversigt
Status
Detaljeret beskrivelse
- Indsamle og opdatere sociale mediedata vedrørende vacciner Efterforskerne vil automatisk indsamle alle sociale mediers opslag vedrørende vacciner i realtid. Kohortedatabase for sociale medier vil blive etableret og opdateret for henholdsvis alle vacciner og Human Papilloma Virus (HPV)-vaccine.
- Overvåg vaccinesikkerhed og tøven i realtid: dybe (overvågede) maskinlæringsmodeller Deep learning model, en overvåget maskinlæringsteknik, vil blive brugt til at analysere tekstdata på sociale medier i realtid i henhold til den foruddefinerede vaccinesikkerheds- og tøvenramme. Efterforskerne vil først manuelt annotere en undergruppe af sociale medier-indlæg (20.000 indlæg) vedrørende vacciner. De indledende manuelt kommenterede indlæg bruges derefter til at træne og evaluere dyb læringsmodeller. Deep learning-modeller med den bedste ydeevne udvælges og anvendes til at klassificere alle vaccinerelaterede stillinger i henhold til vaccinens tillid og tøven.
- Overvåg nye bekymringer og sentimentudsving i realtid for tidligt at advare vaccinerelaterede risici eller kriser: emne (uovervåget) maskinlæringsmodeller og sproglig analyse Der er nogle emner uden for den foruddefinerede vaccinesikkerheds- og tøvenramme, der bruges i deep learning-modeller, og nye emner dukker op når som helst. Vaccinekrisen ville påvirke offentlighedens følelser. Overvågning af nye emner og sentimentudsving vil give tidlig advarsel om vaccinerelaterede risici eller kriser. Brug Topic Modeling, en uovervåget maskinlæringsteknik, der automatisk kan klassificere tekst til repræsentative emner på sociale medier, til at overvåge nye emner og bekymringer vedrørende vacciner.
- Vurder offentligt engagement på sociale medier for at informere om effektive sundhedskommunikationsstrategier: analyse af engagement på sociale medier Udover opslagsdata på sociale medier er engagementsdata for opslag også tilgængelige for at blive analyseret, herunder likes, kommentarer og delinger af opslag. Efterforskerne vil udføre engagementsanalyse på sociale medier for at undersøge offentlig kommunikation omkring vacciner online. Dette vil guide udformningen af effektive sundhedskommunikationsstrategier.
- Etablere sociale mediers overvågnings- og analyseplatform for vaccinetillid og -krise Gennem ovenstående trin vil efterforskerne etablere en social media-overvågnings- og analyseplatform for vaccinetillid og -krise. Tidsserietrends, geografisk variation og tilknyttede faktorer af indikatorerne produceret ovenfor vil blive præsenteret for at overvåge vaccinetillid i realtid, tidligt advare nye risici eller kriser og informere om effektive sundhedskommunikationsstrategier.
- Tidligere forskningserfaring Efterforskerne har udført en række relevante undersøgelser for at analysere sociale mediedata ved hjælp af maskinlæringsteknikker under COVID-19-epidemien, der dækker COVID-19-vaccinetillid og offentlig reaktion på COVID-19. Disse erfaringer gør den nuværende undersøgelse mulig.
Undersøgelsestype
Deltagelseskriterier
Berettigelseskriterier
Aldre berettiget til at studere
- VOKSEN
- OLDER_ADULT
- BARN
Tager imod sunde frivillige
Køn, der er berettiget til at studere
Prøveudtagningsmetode
Studiebefolkning
Beskrivelse
Inklusionskriterier:
- Tweets og weico-indlæg relateret til vacciner
- Udgivet i 2015-2022
- Engelske tweets
- Tweets/opslag fra personlige konti.
Ekskluderingskriterier:
- Tweets/indlæg fra nyheder, organisationskonti eller godkendte brugere
- Ikke engelske tweets.
Studieplan
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
Kohorter og interventioner
Gruppe / kohorte |
---|
Global database over vaccinerelaterede indlæg
Tweets på engelsk fra Twitter og indlæg fra weico fra 2015 til 2022 for alle vacciner.
Efterforskerne inkluderede kun indlæg fra individuelle konti og ekskluderede dem fra nyheder, organisationskonti eller verificerede brugere.
|
Global database over HPV-vaccine-relaterede indlæg
Tweets på engelsk fra Twitter og indlæg fra weico fra 2015 til 2022 for HPV-vaccine.
Efterforskerne inkluderede kun indlæg fra individuelle konti og ekskluderede dem fra nyheder, organisationskonti eller verificerede brugere.
|
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
---|---|---|
Ændringer i forekomsten af vaccinesikkerhed og tøven
Tidsramme: Ændring fra baseline-prævalensen af vaccinesikkerhed og vaccinationstøven ved 1 år.
|
Vaccinetillid henviser til offentlighedens tweets, der udtrykker tillid til vaccinens sikkerhed og effektivitet, anerkendelse af vaccinationsnødvendigheden og vaccineaccept.
Vaccine tøven betyder, at tweets udtrykker vaccinerelateret misinformation og rygter, bekymrer sig om sikkerheden og effektiviteten af vaccinen og vaccineafvisning.
Efterforskerne vil beregne forholdet mellem disse to kategorier i alle vaccine-relaterede tweets som prævalensen af vaccinesikkerhed og vaccine tøven.
|
Ændring fra baseline-prævalensen af vaccinesikkerhed og vaccinationstøven ved 1 år.
|
Sekundære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
---|---|---|
Ændringer i udbredelsen af maskingenererede emner
Tidsramme: Ændring fra baseline-prævalens af maskingenererede emner efter 1 år.
|
Maskingenererede emner refererer til vaccinerelaterede emner, der automatisk genereres gennem maskinlæringsmetoder, såsom politisk sammensværgelse, vaccinefritagelse, vaccineuønskede hændelser og andre.
Efterforskerne vil beregne forholdet mellem tweets involveret i hvert maskingenereret emne i alle vaccinerelaterede tweets som udbredelsen af maskingenererede emner.
|
Ændring fra baseline-prævalens af maskingenererede emner efter 1 år.
|
Ændringer i det offentlige engagement på sociale medier
Tidsramme: Ændring fra baseline offentligt engagement på sociale medier efter 1 år.
|
Offentligt engagement på sociale medier er et omfattende evalueringsindeks til at måle transmission, svar og lignende.
Efterforskerne vil registrere baseline og tilsvarende værdier efter et år.
|
Ændring fra baseline offentligt engagement på sociale medier efter 1 år.
|
Samarbejdspartnere og efterforskere
Sponsor
Samarbejdspartnere
Publikationer og nyttige links
Generelle publikationer
- MacDonald NE; SAGE Working Group on Vaccine Hesitancy. Vaccine hesitancy: Definition, scope and determinants. Vaccine. 2015 Aug 14;33(34):4161-4. doi: 10.1016/j.vaccine.2015.04.036. Epub 2015 Apr 17.
- Larson HJ, Jarrett C, Eckersberger E, Smith DM, Paterson P. Understanding vaccine hesitancy around vaccines and vaccination from a global perspective: a systematic review of published literature, 2007-2012. Vaccine. 2014 Apr 17;32(19):2150-9. doi: 10.1016/j.vaccine.2014.01.081. Epub 2014 Mar 2.
- Sinnenberg L, Buttenheim AM, Padrez K, Mancheno C, Ungar L, Merchant RM. Twitter as a Tool for Health Research: A Systematic Review. Am J Public Health. 2017 Jan;107(1):e1-e8. doi: 10.2105/AJPH.2016.303512. Epub 2016 Nov 17.
- Milinovich GJ, Williams GM, Clements AC, Hu W. Internet-based surveillance systems for monitoring emerging infectious diseases. Lancet Infect Dis. 2014 Feb;14(2):160-8. doi: 10.1016/S1473-3099(13)70244-5. Epub 2013 Nov 28.
- Devlin J, Chang M-W, Lee K, et al. Bert: Pre-training of deep bidirectional transformers for language understanding. arXiv preprint, 2018, arXiv:181004805.
- Larson HJ, Jarrett C, Schulz WS, Chaudhuri M, Zhou Y, Dube E, Schuster M, MacDonald NE, Wilson R; SAGE Working Group on Vaccine Hesitancy. Measuring vaccine hesitancy: The development of a survey tool. Vaccine. 2015 Aug 14;33(34):4165-75. doi: 10.1016/j.vaccine.2015.04.037. Epub 2015 Apr 18.
- Blei DM, Ng AY, Jordan MI. Latent dirichlet allocation. J Mach Learn Res, 2003, 3:993-1022.
- Pennebaker J, Boyd R, Jordan K, et al. The development and psychometric properties of LIWC2015. Austin, TX: University of Texas at Austin, 2015.
- Zhao N, Jiao D, Bai S, Zhu T. Evaluating the Validity of Simplified Chinese Version of LIWC in Detecting Psychological Expressions in Short Texts on Social Network Services. PLoS One. 2016 Jun 20;11(6):e0157947. doi: 10.1371/journal.pone.0157947. eCollection 2016.
- Stone JA, Can SH. Linguistic analysis of municipal twitter feeds: Factors influencing frequency and engagement. Gov Inf Q, 2020, 37(4): 101468.
- de Figueiredo A, Simas C, Karafillakis E, Paterson P, Larson HJ. Mapping global trends in vaccine confidence and investigating barriers to vaccine uptake: a large-scale retrospective temporal modelling study. Lancet. 2020 Sep 26;396(10255):898-908. doi: 10.1016/S0140-6736(20)31558-0. Epub 2020 Sep 10.
- Szilagyi PG, Thomas K, Shah MD, Vizueta N, Cui Y, Vangala S, Kapteyn A. National Trends in the US Public's Likelihood of Getting a COVID-19 Vaccine-April 1 to December 8, 2020. JAMA. 2020 Dec 29;325(4):396-8. doi: 10.1001/jama.2020.26419. Online ahead of print.
- Larson HJ, de Figueiredo A, Xiahong Z, Schulz WS, Verger P, Johnston IG, Cook AR, Jones NS. The State of Vaccine Confidence 2016: Global Insights Through a 67-Country Survey. EBioMedicine. 2016 Oct;12:295-301. doi: 10.1016/j.ebiom.2016.08.042. Epub 2016 Sep 13.
- Abd-Alrazaq A, Alhuwail D, Househ M, Hamdi M, Shah Z. Top Concerns of Tweeters During the COVID-19 Pandemic: Infoveillance Study. J Med Internet Res. 2020 Apr 21;22(4):e19016. doi: 10.2196/19016.
Datoer for undersøgelser
Studer store datoer
Studiestart (FAKTISKE)
Primær færdiggørelse (FAKTISKE)
Studieafslutning (FAKTISKE)
Datoer for studieregistrering
Først indsendt
Først indsendt, der opfyldte QC-kriterier
Først opslået (FAKTISKE)
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (FAKTISKE)
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
Sidst verificeret
Mere information
Begreber relateret til denne undersøgelse
Andre undersøgelses-id-numre
- ECT2112016948
Plan for individuelle deltagerdata (IPD)
Planlægger du at dele individuelle deltagerdata (IPD)?
IPD-planbeskrivelse
Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter
Studerer et amerikansk FDA-reguleret lægemiddelprodukt
Studerer et amerikansk FDA-reguleret enhedsprodukt
Disse oplysninger blev hentet direkte fra webstedet clinicaltrials.gov uden ændringer. Hvis du har nogen anmodninger om at ændre, fjerne eller opdatere dine undersøgelsesoplysninger, bedes du kontakte register@clinicaltrials.gov. Så snart en ændring er implementeret på clinicaltrials.gov, vil denne også blive opdateret automatisk på vores hjemmeside .
Kliniske forsøg med Dataindsamling
-
University of MichiganFood and Drug Administration (FDA)RekrutteringHuman Gastrointestinal Fysiologisk DataForenede Stater
-
University of OklahomaHarvard Medical School (HMS and HSDM); SWAY Medical, Inc; College of Medicine...Trukket tilbagePålidelighed | Gyldighed | Normative data
-
University of MichiganFood and Drug Administration (FDA)AfsluttetHuman Gastrointestinal Fysiologisk DataForenede Stater
-
Stryker NeurovascularAfsluttet
-
Northwell HealthAfsluttetIkke-alkoholisk fedtleversygdom | Probiotika MeSH Descriptor Data 2018 | Interleukin-17 MeSH Descriptor Data 2018Forenede Stater
-
Eva KlappeAfsluttetKvaliteten af sundhedsvæsenet | Mennesker | Klinisk beslutningstagning | Evidensbaseret praksis | Beslutningstagning, computerstøttet | Lægejournaler, problemorienteret | Data nøjagtighed | Dokumentation / Standarder | Dokumentation / Statistik og numeriske data | Formularer og registreringer kontrol / standarder og andre forholdHolland
-
National Health Research Institutes, TaiwanAfsluttetIndsamling af data fra den virkelige verden i et enkelt institutTaiwan
-
Methodist Health SystemRekrutteringPenetrerende Trauma Registry og Open Source DataForenede Stater
-
University of PennsylvaniaPhilips Medical SystemsAfsluttetDenne undersøgelse udføres for at indsamle ekkokardiografiske data for at teste Lumify-ultralyden med hæmodynamisk automatiseringsenhedForenede Stater
-
Chonbuk National UniversityUkendtGenerel befolkning, spirometriske data, lægejournaler