- ICH GCP
- Registro de ensayos clínicos de EE. UU.
- Ensayo clínico NCT05442762
Monitoreo de la confianza y la vacilación de las vacunas basado en las redes sociales
Un estudio de aprendizaje automático basado en las redes sociales para monitorear la confianza y la vacilación de las vacunas y advertir tempranamente los riesgos emergentes relacionados con las vacunas en tiempo real
La historia y la evidencia científica muestran que es fundamental mantener la confianza del público en la vacunación. Cualquier crisis de confianza tiene el potencial de causar una interrupción significativa y un impacto perjudicial en la vacunación. La vacilación ante las vacunas es un problema complejo y específico del contexto que varía según el tiempo, el lugar y las vacunas. Ha sido citado por la Organización Mundial de la Salud (OMS) como una de las diez principales amenazas para la salud mundial en 2019. La pandemia de la enfermedad por coronavirus (COVID-19) puede cambiar la confianza del público en las vacunas. Por lo tanto, es necesario establecer un sistema de vigilancia para monitorear la confianza y la vacilación de la vacuna en tiempo real.
Hasta la fecha, un creciente cuerpo de literatura ha utilizado plataformas de redes sociales como Twitter y weico para la investigación de salud pública. Se pueden utilizar grandes cantidades de datos en tiempo real publicados en las plataformas de redes sociales para identificar rápidamente las actitudes del público sobre las vacunas, como una forma de apoyar la comunicación y la promoción de la salud, los mensajes. Sin embargo, los datos textuales en las redes sociales son difíciles de analizar. El progreso reciente en el aprendizaje automático hace posible analizar automáticamente datos textuales en las redes sociales en tiempo real.
En este estudio, los investigadores establecerán una plataforma de vigilancia y análisis de redes sociales sobre vacunas, desarrollarán una serie de modelos de aprendizaje automático para monitorear la confianza en las vacunas y detectar de manera temprana los riesgos emergentes relacionados con las vacunas, y evaluarán la comunicación pública sobre las vacunas. Los investigadores evaluarán la distribución temporal y espacial de la confianza y la vacilación de la vacuna a nivel mundial utilizando datos de Twitter y en China utilizando datos de Weico, para todas las vacunas y la vacuna contra el virus del papiloma humano (VPH), respectivamente. Nuestro estudio guiará el diseño de estrategias de comunicación sanitaria eficaces para mejorar la confianza en las vacunas.
Descripción general del estudio
Estado
Descripción detallada
- Recopilar y actualizar datos de las redes sociales sobre las vacunas Los investigadores recopilarán automáticamente todas las publicaciones de las redes sociales sobre las vacunas en tiempo real. Se establecerá y actualizará una base de datos de grupos de redes sociales para todas las vacunas y la vacuna contra el virus del papiloma humano (VPH), respectivamente.
- Supervisar la confianza y la vacilación de la vacuna en tiempo real: modelos de aprendizaje automático profundo (supervisado) El modelo de aprendizaje profundo, una técnica de aprendizaje automático supervisado, se utilizará para analizar datos de texto en las redes sociales en tiempo real de acuerdo con el marco predefinido de confianza y vacilación de la vacuna. Los investigadores primero anotarán manualmente un subconjunto de publicaciones en las redes sociales (20 000 publicaciones) relacionadas con las vacunas. Las publicaciones iniciales anotadas manualmente se utilizan luego para entrenar y evaluar modelos de aprendizaje profundo. Los modelos de aprendizaje profundo con el mejor rendimiento se seleccionan y aplican para clasificar todas las publicaciones relacionadas con la vacuna de acuerdo con el marco de confianza y vacilación de la vacuna.
- Supervise las inquietudes emergentes y los cambios de opinión en tiempo real para advertir con anticipación los riesgos o crisis relacionados con las vacunas: modelos de aprendizaje automático temáticos (no supervisados) y análisis lingüístico. Los temas surgen en cualquier momento. La crisis de las vacunas influiría en los sentimientos públicos. El seguimiento de los temas emergentes y los cambios de opinión proporcionará una alerta temprana de los riesgos o crisis relacionados con las vacunas. Use Topic Modeling, una técnica de aprendizaje automático no supervisada que puede clasificar automáticamente el texto en temas representativos en las redes sociales, para monitorear temas emergentes y preocupaciones con respecto a las vacunas.
- Evaluar la participación pública en las redes sociales para informar estrategias efectivas de comunicación sobre la salud: análisis de participación en las redes sociales Además de los datos de las publicaciones en las redes sociales, los datos de participación de las publicaciones también están disponibles para ser analizados, incluidos los me gusta, los comentarios y las publicaciones compartidas. Los investigadores realizarán un análisis de participación en las redes sociales para investigar la comunicación pública sobre las vacunas en línea. Esto guiará el diseño de estrategias efectivas de comunicación en salud.
- Establecer una plataforma de vigilancia y análisis de las redes sociales para la confianza y la crisis de las vacunas A través de los pasos anteriores, los investigadores establecerán una plataforma de vigilancia y análisis de las redes sociales para la confianza y la crisis de las vacunas. Se presentarán las tendencias de series temporales, la variación geográfica y los factores asociados de los indicadores producidos anteriormente para monitorear la confianza de la vacuna en tiempo real, advertir temprano sobre riesgos o crisis emergentes e informar estrategias de comunicación de salud efectivas.
- Experiencia de investigación anterior Los investigadores han realizado una serie de estudios relevantes para analizar los datos de las redes sociales utilizando técnicas de aprendizaje automático durante la epidemia de COVID-19, cubriendo la confianza en la vacuna de COVID-19 y la respuesta pública a COVID-19. Estas experiencias hacen factible el presente estudio.
Tipo de estudio
Criterios de participación
Criterio de elegibilidad
Edades elegibles para estudiar
- ADULTO
- MAYOR_ADULTO
- NIÑO
Acepta Voluntarios Saludables
Géneros elegibles para el estudio
Método de muestreo
Población de estudio
Descripción
Criterios de inclusión:
- Tweets y publicaciones de weico relacionadas con las vacunas
- Publicado en 2015-2022
- tuits en inglés
- Tweets/publicaciones de cuentas personales.
Criterio de exclusión:
- Tweets/publicaciones de noticias, cuentas de organizaciones o usuarios autenticados
- Tweets que no son en inglés.
Plan de estudios
¿Cómo está diseñado el estudio?
Detalles de diseño
Cohortes e Intervenciones
Grupo / Cohorte |
---|
Base de datos global de publicaciones relacionadas con vacunas
Tweets en inglés de Twitter y publicaciones de weico de 2015 a 2022 para todas las vacunas.
Los investigadores solo incluyeron publicaciones de cuentas individuales y excluyeron las de noticias, cuentas de organizaciones o usuarios verificados.
|
Base de datos global de publicaciones relacionadas con la vacuna contra el VPH
Tweets en inglés de Twitter y publicaciones de weico de 2015 a 2022 para la vacuna contra el VPH.
Los investigadores solo incluyeron publicaciones de cuentas individuales y excluyeron las de noticias, cuentas de organizaciones o usuarios verificados.
|
¿Qué mide el estudio?
Medidas de resultado primarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
---|---|---|
Cambios en la prevalencia de la confianza y la vacilación de la vacuna
Periodo de tiempo: Cambio desde la prevalencia inicial de la confianza en la vacuna y la vacilación de la vacuna a 1 año.
|
La confianza en la vacuna se refiere a los tuits del público que expresan confianza en la seguridad y eficacia de la vacuna, el reconocimiento de la necesidad de vacunación y la aceptación de la vacuna.
La indecisión sobre la vacuna significa que los tuits expresan información errónea y rumores relacionados con la vacuna, preocupación por la seguridad y eficacia de la vacuna y rechazo a la vacuna.
Los investigadores calcularán la proporción de estas dos categorías en todos los tuits relacionados con la vacuna como la prevalencia de la confianza en la vacuna y la vacilación de la vacuna.
|
Cambio desde la prevalencia inicial de la confianza en la vacuna y la vacilación de la vacuna a 1 año.
|
Medidas de resultado secundarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
---|---|---|
Cambios en la prevalencia de temas generados por máquinas
Periodo de tiempo: Cambio desde la prevalencia inicial de temas generados por máquinas a 1 año.
|
Los temas generados por máquinas se refieren a temas relacionados con las vacunas generados automáticamente a través de métodos de aprendizaje automático, como conspiración política, exención de vacunas, eventos adversos de vacunas y otros.
Los investigadores calcularán la proporción de tweets involucrados en cada tema generado por máquina en todos los tweets relacionados con vacunas como la prevalencia de temas generados por máquina.
|
Cambio desde la prevalencia inicial de temas generados por máquinas a 1 año.
|
Cambios en el compromiso público en las redes sociales
Periodo de tiempo: Cambio desde la participación pública inicial en las redes sociales a 1 año.
|
La participación pública en las redes sociales es un índice de evaluación integral para medir la transmisión, la respuesta y el me gusta.
Los investigadores registrarán la línea de base y los valores correspondientes después de un año.
|
Cambio desde la participación pública inicial en las redes sociales a 1 año.
|
Colaboradores e Investigadores
Patrocinador
Colaboradores
Publicaciones y enlaces útiles
Publicaciones Generales
- 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.
Fechas de registro del estudio
Fechas importantes del estudio
Inicio del estudio (ACTUAL)
Finalización primaria (ACTUAL)
Finalización del estudio (ACTUAL)
Fechas de registro del estudio
Enviado por primera vez
Primero enviado que cumplió con los criterios de control de calidad
Publicado por primera vez (ACTUAL)
Actualizaciones de registros de estudio
Última actualización publicada (ACTUAL)
Última actualización enviada que cumplió con los criterios de control de calidad
Última verificación
Más información
Términos relacionados con este estudio
Palabras clave
Otros números de identificación del estudio
- ECT2112016948
Plan de datos de participantes individuales (IPD)
¿Planea compartir datos de participantes individuales (IPD)?
Descripción del plan IPD
Información sobre medicamentos y dispositivos, documentos del estudio
Estudia un producto farmacéutico regulado por la FDA de EE. UU.
Estudia un producto de dispositivo regulado por la FDA de EE. UU.
Esta información se obtuvo directamente del sitio web clinicaltrials.gov sin cambios. Si tiene alguna solicitud para cambiar, eliminar o actualizar los detalles de su estudio, comuníquese con register@clinicaltrials.gov. Tan pronto como se implemente un cambio en clinicaltrials.gov, también se actualizará automáticamente en nuestro sitio web. .
Ensayos clínicos sobre Recopilación de datos
-
Northwell HealthTerminadoEnfermedad del hígado graso no alcohólico | Probióticos MeSH Descriptor Data 2018 | Interleukin-17 MeSH Descriptor Data 2018Estados Unidos