Denne side blev automatisk oversat, og nøjagtigheden af ​​oversættelsen er ikke garanteret. Der henvises til engelsk version for en kildetekst.

Sociale medier-baseret vaccinesikkerhed og tøvenovervågning

28. juni 2022 opdateret af: Zhiyuan Hou, Fudan University

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

Trukket tilbage

Betingelser

Detaljeret beskrivelse

  1. 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.
  2. 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.
  3. 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.
  4. 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.
  5. 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.
  6. 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

Observationel

Deltagelseskriterier

Forskere leder efter personer, der passer til en bestemt beskrivelse, kaldet berettigelseskriterier. Nogle eksempler på disse kriterier er en persons generelle helbredstilstand eller tidligere behandlinger.

Berettigelseskriterier

Aldre berettiget til at studere

  • VOKSEN
  • OLDER_ADULT
  • BARN

Tager imod sunde frivillige

Ja

Køn, der er berettiget til at studere

Alle

Prøveudtagningsmetode

Ikke-sandsynlighedsprøve

Studiebefolkning

Vaccinerelaterede indlæg på sociale medier er genstand for vores forskning for at vurdere offentlighedens vaccinetillid og tøven. Hver postpost omfatter kontonavn, profiler, indhold, posttid, antallet af følgere og engagementsdata.

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

Dette afsnit indeholder detaljer om studieplanen, herunder hvordan undersøgelsen er designet, og hvad undersøgelsen måler.

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

Det er her, du vil finde personer og organisationer, der er involveret i denne undersøgelse.

Sponsor

Fudan University

Samarbejdspartnere

Merck Sharp & Dohme LLC

Publikationer og nyttige links

Den person, der er ansvarlig for at indtaste oplysninger om undersøgelsen, leverer frivilligt disse publikationer. Disse kan handle om alt relateret til undersøgelsen.

Generelle publikationer

Datoer for undersøgelser

Disse datoer sporer fremskridtene for indsendelser af undersøgelsesrekord og resumeresultater til ClinicalTrials.gov. Studieregistreringer og rapporterede resultater gennemgås af National Library of Medicine (NLM) for at sikre, at de opfylder specifikke kvalitetskontrolstandarder, før de offentliggøres på den offentlige hjemmeside.

Studer store datoer

Studiestart (FAKTISKE)

1. marts 2022

Primær færdiggørelse (FAKTISKE)

1. juni 2022

Studieafslutning (FAKTISKE)

24. juni 2022

Datoer for studieregistrering

Først indsendt

21. marts 2022

Først indsendt, der opfyldte QC-kriterier

28. juni 2022

Først opslået (FAKTISKE)

5. juli 2022

Opdateringer af undersøgelsesjournaler

Sidste opdatering sendt (FAKTISKE)

5. juli 2022

Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier

28. juni 2022

Sidst verificeret

1. juni 2022

Mere information

Begreber relateret til denne undersøgelse

Nøgleord

Andre undersøgelses-id-numre

  • ECT2112016948

Plan for individuelle deltagerdata (IPD)

Planlægger du at dele individuelle deltagerdata (IPD)?

INGEN

IPD-planbeskrivelse

I henhold til aftalens vilkår kan individuelle data ikke deles.

Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter

Studerer et amerikansk FDA-reguleret lægemiddelprodukt

Ingen

Studerer et amerikansk FDA-reguleret enhedsprodukt

Ingen

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

Søg i lignende forsøg

Sponsorer og samarbejdspartnere

Medicinske tilstande

Narkotikainterventioner

CROs by country

CROs in Belarus

Betingelser

Sjældne sygdomme

Narkotikainterventioner

Kosttilskud

Sponsor / samarbejdspartnere

Placeringer

3
Abonner