- ICH GCP
- US Clinical Trials Registry
- Klinisk utprøving NCT05442762
Sosiale medier-basert vaksinesikkerhet og nølingovervåking
En sosial media-basert maskinlæringsstudie for å overvåke vaksinesikkerhet og nøling og tidlig varsle nye vaksinerelaterte risikoer i sanntid
Historie og vitenskapelig bevis viser at det er avgjørende å opprettholde offentlig tillit og tillit til vaksinasjon. Enhver tillitskrise har potensial til å forårsake betydelige forstyrrelser og en skadelig innvirkning på vaksinasjon. Vaksinenøling er et komplekst og kontekstspesifikk problem som varierer på tvers av tid, sted og vaksiner. Det har blitt sitert av Verdens helseorganisasjon (WHO) som en av de ti største truslene mot global helse i 2019. Pandemien med koronavirussykdom (COVID-19) kan endre offentlighetens tillit til vaksiner. Derfor er det nødvendig å etablere et overvåkingssystem for å overvåke vaksinesikkerhet og nøling i sanntid.
Til dags dato har en voksende mengde litteratur brukt sosiale medieplattformer som Twitter og weico til folkehelseforskning. Store mengder sanntidsdata som legges ut på sosiale medieplattformer kan brukes til raskt å identifisere publikums holdninger til vaksiner, som en måte å støtte helsekommunikasjon og helsefremmende meldinger på. Tekstdata på sosiale medier er imidlertid vanskelig å analysere. Nylig fremgang innen maskinlæring gjør det mulig å automatisk analysere tekstdata på sosiale medier i sanntid.
I denne studien vil etterforskerne etablere en plattform for overvåking og analyse av sosiale medier på vaksiner, utvikle en serie maskinlæringsmodeller for å overvåke vaksinetillit og tidlig oppdage nye vaksinerelaterte risikoer, og vurdere offentlig kommunikasjon rundt vaksiner. Etterforskerne vil vurdere den tidsmessige og romlige fordelingen av vaksinesikkerhet og nøling globalt ved å bruke Twitter-data og i Kina ved å bruke weico-data, for henholdsvis alle vaksiner og Human Papilloma Virus (HPV)-vaksine. Studien vår vil lede utformingen av effektive helsekommunikasjonsstrategier for å forbedre vaksinetilliten.
Studieoversikt
Status
Detaljert beskrivelse
- Samle og oppdatere sosiale medier-data angående vaksiner Etterforskerne vil automatisk samle alle sosiale medier-innlegg om vaksiner i sanntid. Kohortdatabase for sosiale medier vil bli etablert og oppdatert for henholdsvis alle vaksiner og humant papillomavirus (HPV).
- Overvåk vaksinesikkerhet og nøling i sanntid: dype (overvåket) maskinlæringsmodeller Deep learning-modellen, en overvåket maskinlæringsteknikk, vil bli brukt til å analysere tekstdata på sosiale medier i sanntid i henhold til det forhåndsdefinerte rammeverket for vaksinesikkerhet og nøling. Etterforskerne vil først manuelt kommentere en undergruppe av innlegg på sosiale medier (20 000 innlegg) angående vaksiner. De første manuelt kommenterte innleggene brukes deretter til å trene og evaluere dyplæringsmodeller. Dyplæringsmodeller med best ytelse velges og brukes for å klassifisere alle vaksinerelaterte stillinger i henhold til rammeverket for vaksinesikkerhet og nøling.
- Overvåk nye bekymringer og sentimentsvingninger i sanntid for å tidlig advare vaksinerelaterte risikoer eller kriser: emne (uovervåket) maskinlæringsmodeller og språklig analyse Det er noen emner utenfor det forhåndsdefinerte rammeverket for vaksinesikkerhet og nøling som brukes i dyplæringsmodeller, og nye emner dukker opp når som helst. Vaksinekrise vil påvirke offentlighetens følelser. Overvåking av nye emner og sentiment-svingninger vil gi tidlig advarsel om vaksinerelaterte risikoer eller kriser. Bruk Topic Modeling, en uovervåket maskinlæringsteknikk som automatisk kan klassifisere tekst til representative emner i sosiale medier, for å overvåke nye emner og bekymringer angående vaksiner.
- Vurder offentlig engasjement på sosiale medier for å informere om effektive helsekommunikasjonsstrategier: analyse av engasjement i sosiale medier I tillegg til innleggsdata på sosiale medier, er engasjementsdata for innlegg også tilgjengelige for å bli analysert, inkludert likes, kommentarer og delinger av innlegg. Etterforskerne vil gjennomføre engasjementsanalyse for sosiale medier for å undersøke offentlig kommunikasjon rundt vaksiner på nettet. Dette vil lede utformingen av effektive helsekommunikasjonsstrategier.
- Etablere sosiale medier overvåking og analyse plattform for vaksine tillit og krise Gjennom trinnene ovenfor vil etterforskerne etablere en sosiale medier overvåking og analyse plattform for vaksine tillit og krise. Tidsserietrender, geografisk variasjon og tilknyttede faktorer av indikatorene produsert ovenfor vil bli presentert for å overvåke vaksinetillit i sanntid, tidlig varsle nye risikoer eller kriser og informere om effektive helsekommunikasjonsstrategier.
- Tidligere forskningserfaring Etterforskerne har utført en rekke relevante studier for å analysere sosiale medier-data ved å bruke maskinlæringsteknikker under COVID-19-epidemien, og dekker covid-19-vaksinetillit og offentlig respons på COVID-19. Disse erfaringene gjør den nåværende studien gjennomførbar.
Studietype
Deltakelseskriterier
Kvalifikasjonskriterier
Alder som er kvalifisert for studier
- VOKSEN
- OLDER_ADULT
- BARN
Tar imot friske frivillige
Kjønn som er kvalifisert for studier
Prøvetakingsmetode
Studiepopulasjon
Beskrivelse
Inklusjonskriterier:
- Tweets og weico-innlegg relatert til vaksiner
- Publisert i 2015-2022
- Engelske tweets
- Tweets/innlegg fra personlige kontoer.
Ekskluderingskriterier:
- Tweets/innlegg fra nyheter, organisasjonskontoer eller autentiserte brukere
- Ikke engelske tweets.
Studieplan
Hvordan er studiet utformet?
Designdetaljer
Kohorter og intervensjoner
Gruppe / Kohort |
---|
Global database over vaksinerelaterte innlegg
Tweets på engelsk fra Twitter og innlegg fra weico fra 2015 til 2022 for alle vaksiner.
Etterforskerne inkluderte bare innlegg fra individuelle kontoer og ekskluderte innlegg fra nyheter, organisasjonskontoer eller verifiserte brukere.
|
Global database over HPV-vaksinerelaterte innlegg
Tweets på engelsk fra Twitter og innlegg fra weico fra 2015 til 2022 for HPV-vaksine.
Etterforskerne inkluderte bare innlegg fra individuelle kontoer og ekskluderte innlegg fra nyheter, organisasjonskontoer eller verifiserte brukere.
|
Hva måler studien?
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
---|---|---|
Endringer i utbredelsen av vaksinesikkerhet og nøling
Tidsramme: Endring fra baseline prevalens av vaksinesikkerhet og vaksinenøling ved 1 år.
|
Vaksinetillit refererer til publikums tweets som uttrykker tillit til sikkerheten og effektiviteten til vaksinen, anerkjennelse av vaksinasjonsnødvendigheten og vaksineaksept.
Vaksinenøling betyr at tweetene uttrykker vaksinerelatert feilinformasjon og rykter, bekymring for sikkerheten og effektiviteten til vaksinen, og vaksineavvisning.
Etterforskerne vil beregne forholdet mellom disse to kategoriene i alle vaksine-relaterte tweets som prevalensen av vaksinesikkerhet og vaksinenøling.
|
Endring fra baseline prevalens av vaksinesikkerhet og vaksinenøling ved 1 år.
|
Sekundære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
---|---|---|
Endringer i utbredelsen av maskingenererte emner
Tidsramme: Endring fra baselineprevalens av maskingenererte emner etter 1 år.
|
Maskingenererte emner refererer til vaksinerelaterte emner som genereres automatisk gjennom maskinlæringsmetoder, for eksempel politisk konspirasjon, vaksinefritak, vaksinebivirkninger og andre.
Etterforskerne vil beregne forholdet mellom tweets involvert i hvert maskingenererte emne i alle vaksinerelaterte tweets som utbredelsen av maskingenererte emner.
|
Endring fra baselineprevalens av maskingenererte emner etter 1 år.
|
Endringer i det offentlige engasjementet på sosiale medier
Tidsramme: Endring fra baseline offentlig engasjement på sosiale medier ved 1 år.
|
Offentlig engasjement på sosiale medier er en omfattende evalueringsindeks for å måle overføring, svar og lignende.
Etterforskerne vil registrere grunnlinjen og tilsvarende verdier etter ett år.
|
Endring fra baseline offentlig engasjement på sosiale medier ved 1 år.
|
Samarbeidspartnere og etterforskere
Sponsor
Samarbeidspartnere
Publikasjoner og nyttige lenker
Generelle publikasjoner
- 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.
Studierekorddatoer
Studer hoveddatoer
Studiestart (FAKTISKE)
Primær fullføring (FAKTISKE)
Studiet fullført (FAKTISKE)
Datoer for studieregistrering
Først innsendt
Først innsendt som oppfylte QC-kriteriene
Først lagt ut (FAKTISKE)
Oppdateringer av studieposter
Sist oppdatering lagt ut (FAKTISKE)
Siste oppdatering sendt inn som oppfylte QC-kriteriene
Sist bekreftet
Mer informasjon
Begreper knyttet til denne studien
Andre studie-ID-numre
- ECT2112016948
Plan for individuelle deltakerdata (IPD)
Planlegger du å dele individuelle deltakerdata (IPD)?
IPD-planbeskrivelse
Legemiddel- og utstyrsinformasjon, studiedokumenter
Studerer et amerikansk FDA-regulert medikamentprodukt
Studerer et amerikansk FDA-regulert enhetsprodukt
Denne informasjonen ble hentet direkte fra nettstedet clinicaltrials.gov uten noen endringer. Hvis du har noen forespørsler om å endre, fjerne eller oppdatere studiedetaljene dine, vennligst kontakt register@clinicaltrials.gov. Så snart en endring er implementert på clinicaltrials.gov, vil denne også bli oppdatert automatisk på nettstedet vårt. .
Kliniske studier på Datainnsamling
-
Massachusetts General HospitalFullførtLegemiddelbinding til DAT-reseptorerForente stater