Detection and Extraction of Adverse Drug Reaction in Social Media Using Deep Learning

Un effet indésirable médicamenteux (EIM) peut être défini comme une réaction sensiblement nocive ou désagréable résultant d'une intervention liée à l'utilisation d'un médicament. D'après les services de santé, les EIM sont à l'origine de nombreuses hospitalisations et, dans certains cas graves, du décès des patients chaque année. En plus d'avoir un impact significatif sur la santé, les EIM ont également des effets économiques néfastes pour les personnes affectées. En raison de tous ces problèmes, la recherche en pharmacovigilance s'est popularisée pour détecter et extraire avec diligence et précision les effets secondaires des médicaments. La pharmacovigilance concerne les activités de surveillance de l'innocuité du médicament dans la phase post-commercialisation du médicament. Les sites de réseautage social comme Twitter ont fourni aux gens une plate-forme pour se connecter les uns aux autres, pour discuter et partager des informations et des nouvelles. L'identification et la collecte de tweets contenant des mentions d'expérience personnelle en matière de santé seraient l'une des sources de données les plus rapides et les plus importantes pour les chercheurs. La détection et l'extraction des mentions de médicaments indésirables dans les tweets peuvent compléter la liste des effets indésirables des médicaments résultant des essais de médicaments et peuvent aider à l'amélioration des médicaments. La détection et l'extraction d'EIM à partir de texte peuvent être considérées comme un problème d'extraction d'informations qui a connu une croissance significative ces dernières années en raison des progrès de l'apprentissage en profondeur et de l'apprentissage par transfert. Ce mémoire vise à étudier les performances de trois modèles différents de BiLSTM (Bidirectionnel Long-Short Term Memory), BERT (Bidirectionnel Encoder Representations from Transformers) et BERT+BiLSTM dans les tâches de détection et d'extraction EIM. Pour former et évaluer ces modèles, un ensemble de données de 2735 tweets qui sont étiquetés manuellement par certains étudiants en pharmacologie est utilisé. Dans l'étape suivante, pour vérifier la possibilité d'obtenir de meilleurs résultats dans la tâche de détection, la tentative consiste à agrandir l'ensemble de données en utilisant certaines techniques d'augmentation proposées avec Easy Data Augmentation (EDA) et back-translation et à former le meilleur modèle par l'ensemble de données augmenté.