Ученые МГУ используют нейросети для анализа отзывов пациентов

Ученые МГУ используют нейросети для анализа отзывов пациентов

Ученые Научно-образовательного центра МГУ «Мозг, когнитивные системы, искусственный интеллект» провели исследование, посвященное анализу отзывов пациентов о медицинских услугах с помощью машинного обучения. Результаты исследования опубликованы в журнале Mathematics и показывают эффективность различных нейронных сетей для классификации текстовых отзывов.

По словам Ирины Калабихиной, заведующей кафедрой народонаселения экономического факультета МГУ, разработанный гибридный алгоритм классификации особенно эффективен при использовании архитектуры на базе GRU.

В рамках исследования было проанализировано более 60 000 отзывов, размещенных на двух популярных российских сайтах о врачах. Алгоритм, сочетающий машинное обучение и лингвистические методы, использовался для анализа и классификации отзывов. Различные архитектуры нейронных сетей, такие как GRU, LSTM и CNN, тестировались для определения наилучшего подхода.

Анализ включал предварительную обработку данных: очистку текста, сегментацию и разметку. Методы поиска именованных сущностей применялись для повышения точности анализа. Модели тестировались и сравнивались по метрикам точности, полноты и F-меры.

Архитектура GRU показала наивысшую точность классификации с val_accuracy = 0.9271. Использование метода поиска именованных сущностей после сегментации текста улучшило эффективность классификаторов на основе нейронных сетей. Основные результаты включают повышение качества классификации и точности анализа отзывов пациентов о медицинских услугах, врачах и клиниках.

Ирина Калабихина подчеркнула, что результаты исследования важны для социально-демографических исследований и управления системой здравоохранения. Социологические опросы все реже используются для оценки удовлетворенности пользователей, и одним из наиболее эффективных методов становится интеллектуальный анализ текстов отзывов в социальных сетях. Такой подход позволяет получать более объективные и детализированные результаты, повышать масштабность и независимость исследований, а также постоянно мониторить потребителей услуг.

Исследование демонстрирует значимость современных методов машинного обучения для анализа отзывов пациентов, что способствует улучшению качества медицинских услуг и разработке новых стратегий в здравоохранении. Эти методы могут повысить удовлетворенность пациентов и помочь в развитии более точных и персонализированных медицинских услуг.

Информация взята с портала «Научная Россия» (https://scientificrussia.ru/)

Science XXI