Frage-Antwort-Modell für Schizophreniesymptome und deren Einfluss auf den Alltag unter Verwendung von Daten aus psychischen Gesundheitsforen

In den letzten Jahren liegt ein starker Fokus auf der Auswertung medizinischer Daten mittels maschineller Lernverfahren. Ein häufig auftretendes Problem besteht darin, eine geräuschfreie Sammlung von Textdokumenten mit relevantem Inhalt für die jeweilige Forschungsfrage zu gewinnen, sowie ein Frage-Antwort-Modell (Question Answering, QA) für einen spezifischen medizinischen Bereich zu entwickeln. Ziel dieses Beitrags ist es, eine neue Methodologie vorzustellen, die zur Erstellung eines medizinischen Datensatzes und zur Implementierung eines QA-Modells zur Analyse von Symptomen und deren Auswirkungen auf den Alltag in einem bestimmten Krankheitsbereich beiträgt. Es wurde das „Mental Health“-Forum verwendet, ein Forum, das Menschen mit Schizophrenie und anderen psychischen Erkrankungen gewidmet ist. Relevante Beiträge aktiver Nutzer, die regelmäßig teilnehmen, wurden extrahiert, wodurch eine neue Methode zur Gewinnung von inhaltsarmen, verfälschungssicheren und datenschutzkonformen Inhalten entstand. Zudem wird gezeigt, wie der Datensatz präprozessiert wird, um ihn in ein QA-Datenset umzuwandeln. Die Modelle Bidirectional Encoder Representations from Transformers (BERT), DistilBERT, RoBERTa und BioBERT wurden fine-tuned und anhand der Metriken F1-Score, Exact Match, Präzision und Recall evaluiert. Genau durchgeführte empirische Experimente belegen die Effektivität der vorgeschlagenen Methode zur Erzeugung eines präzisen Datensatzes für die Implementierung eines QA-Modells. Durch das Fine-Tuning des BioBERT-QA-Modells wurde ein F1-Score von 0,885 erreicht, was eine erhebliche Verbesserung gegenüber bestehenden Ansätzen im Bereich psychischer Erkrankungen darstellt.