基于海员医疗文档的情感分析和文本挖掘

International Journal of Information Management Data Insights 1（2021）100005基于情感分析的海员医疗文档文本挖掘Nalini Chintalapudia，Gopi Battinenia，Marzio Di Caniob，Getu Gamo Sagaroa，Francesco Amentaa，baTelemedicine and Tele Pharmacy Center，School of Medicinal and Health Products Sciences，University of Camerino，62032 Camerino，Italyb国际无线电医学中心研究部，00144罗马，意大利aRT i cL e i nf o保留字：文本挖掘海员情绪分析词云机器学习a b sTR a cT数字医疗系统包含大量文本格式的患者记录、医生笔记和处方。在电子临床信息上总结的该信息将导致医疗保健质量的提高， 减少医疗差错的可能性，以及低成本。此外，海员更容易发生事故， 而且由于工作文化、气候变化和个人习惯，容易对健康造成危害。因此，文本挖掘的实施，在海员的医疗文件，可以产生更好的知识，经常发生在船上的医疗问题。医疗记录收集自Centro Internazionale Radio Medico（C.I.R.M.）的数字健康系统。意大利远程医疗海上援助系统（TMAS）使用了三年（2018-2020年）的患者数据进行分析。采用词典算法和朴素贝叶斯算法进行情感分析，并在R统计工具上进行实验。症状信息的可视化是通过词云完成的，医疗问题和诊断结果之间的相关性达到了96%。我们以超过80%的准确度和精确度验证了情感分析1. 介绍船上航行是一种危险职业，其对个人健康和安全措施有好处，由于工作文化、气候变化、个人习惯等原因，海员极有可能发生事故和不同的疾病（Bal，Arslan& Tavacioglu，2015; Nittari等人，2019年）。另一方面，海员可能在很大程度上遭受致命和严重的伤害。这背后的主要原因是危险的工作实践，忽视船舶规则和法规（Kazakir，2019）。来自不同国籍的商船之间的事故率可能存在差异。Ádám、Ras-mussen、Pedersen和Jepsen（2014年）的工作证明，西欧海员（丹麦人）的总体受伤率为每10万人日17.5人，明显高于东欧、东南亚和印度海员。 当海员生病或受伤时，负责的船舶联系远程医疗海事援助服务（ TMAS ） 中 心 寻 求 立 即 帮 助 （ Westlund ， Attvall ， Nils-son&Jensen，2016）。这些中心可以通过远程医疗为他们提供帮助，患者记录被仔细存储在数字医疗系统中。在这项研究中，我们从意大利TMAS中心收集了海员医疗文件，该中心名为Centro Internazionale RadioMedico（C.I.R.M），该中心为海员提供医疗援助已有85年（MahdiAmenta，2016）。*通讯作者。电子邮件地址：gopi. unicam.it（G. Battineni）。https://doi.org/10.1016/j.jjimei.2020.100005文本挖掘（TM）的应用在现代不断发展。在医疗保健行业，有几项关于人工智能（AI）技术的研究，包括机器学习（ML），药物分类和预测分析（Battineni，Sagaro，中国- talapudi& Amenta，2020）。然而，由于医学数据库的演进，对于了解患者对所提供的医疗服务的意见的TM的需求越来越高（Friedman，Rind Eschesch& Corn，2013）。在医疗保健领域，文本分析操作通常用于了解患者满意度并保持简化操作（Kim& Delen，2018）。此外，意见挖掘或情感分析可以管理主观陈述和用户响应的解释（Rathore，Kar Ilavarasan，2017）。在医疗保健领域，情绪分析由于其在病历评估中的优势，使医生在决策时容易，因此受到欢迎。当病人生病时，医生根据症状数据诊断病人在EHR中，医生描述了他的意见或观察结果，旨在了解患者的反馈（Denecke Deng，2015）。在这种情况下，意见挖掘有助于了解病人的态度，关于健康记录的主要背景极性。尤其是当医生和患者通过社交媒体、博客和网站等在线平台表达他们对医疗服务和问题的看法时，情况更 是如 此许多 研究（ Khadjeh Nassirtoussi 、Aghabozorgi 、WahNgo、接收日期：2020年10月30日;接收日期：2020年12月9日;接受日期：2020年12月10日2667-0968/© 2020作者。出版社：Elsevier Ltd这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）可在ScienceDirect上获得目录列表国际信息管理数据杂志见解期刊主页：www.elsevier.com/locate/jjimeiN.钦塔拉普迪湾Battineni，医学博士Canio等人International Journal of Information Management Data Insights 1（2021）10000522014;Zhang，Chen Liu，2015）试图在医疗保健，商业，银行等不同领域使用意见挖掘在这项工作中，我们已经实现了情感分析与TM评估症状信息的海员的病理，因为生活在海上使其复杂的情况下，船上的本文从C.I.R.M中随机抽取了3000多名海员三年（2018- 2020年）的医疗文件，并在三个不同的与医疗问题诊断相关的语料库上进行了实验。每个语料库都表明了个体医疗问题的严重程度。我们将文本挖掘方法应用于医疗文档分析，并对船上发生的常见病理进行了回顾。特别是，以下研究问题已在本分析中进行了探讨。问1：船上经常发生的医疗问题是什么？RQ2：文本挖掘方法如何纳入海员RQ3：海员如何RQ4：通过健康数据挖掘进行的不同症状群知识提取之间是否存在关联？这篇文章的其余部分的框架如下。第二部分介绍了研究背景，包括船上健康问题发生的主要原因。第三部分包括方法部分，包括数据提取、解释和实验框架。第4介绍了结果和研究成果的解释第5讨论了发现和现有文献。最后，第六给出了研究结论和未来的研究范围。2. 研究背景多年来，海员&国际海事组织（IMO）估计，超过90%的全球贸易是通过船舶进行的（Zaman，Pazouki，Norman，Younessi Coleman，2017）。由于船舶运动，可能总是有肌肉骨骼紧张、连续噪音和振动（Nittari等人， 2019年）。尽管如此，作为一名海员在船上受伤是很常见的，因为与其他职业相比，航海是一个高风险的职业。因此，船上安全是海员和船东的主要关注点之一。就海员的个人健康和安全措施而言，航海是最危险的职业。由于海员暴露于 在海上连续工作的时间，这使他们有更大的困难- 耳鼻喉科健康问题。O职业伤害通常发生在小型船舶上，并且通常可能很严重（Zytoon Basahel，2017）。与海洋工业和船舶活动相关的特殊工作挑战意味着工作事故的风险参与。这些挑战可能涉及员工的行为安全、工作场 所条 件、工 作类 型、车 载系 统管理 和安 全措施 （Fabiano，Currencia Pastorino，2004）。人的条件在职业伤害的原因中起着重要作用。从船上的一个地方移动到多个地方可能会导致严重的事故，而事故数量最多的是甲板上。与陆上工作人员相比，天气变化快、空气湿度高、雨、风和强烈的太 阳 辐 射 等 因 素 可 能 会 导 致 海 上 旅 行 者 的 精 神 和 身 体 问 题（Wadsworth、Allen、Wellens、McNamara Smith，2006年）。工作时间的长短、社会心理因素和其他因素也可能影响海员此外，传染性和非传染性疾病负担以及船上提供的服务质量可能是海员面临的其他问题（Oldenburg，Baur Schlaich，2010年）。水手的抑郁症通常与他们的低心态有关，来自家庭的信心，经理的要求，休息不便，合同长度（Mellbye Carter，2017）。减少海员船上更好的社会支持和监督是海员心理健康状况的重要预测因素，而不是那些有精神障碍史和受教育程度低的人。同时，保持身体活动也是强制性的。例如，为适当的运动提供指导或在船上进行体育活动可以探索内啡肽或血清张力素等快乐激素的释放（Battineni，Di Canio，Chintalapudi，Amenta和Nittari，2019）。因此，这将促进幸福感和健康。在海员&因此，始终建议对深刻影响海员行为和情绪健康的因素有深入的了解。另一方面，TM方法对患者情绪的预测完全依赖于文本数据，可以提供基于患者EHR的有用信息。许多研究强调了TM在医疗保健数据集上的整合。在Kukafka等人的著作中，随着TM技术的发展，作者为国际功能分类（ICF）、健康和残疾定义了一种通用语言和框架（Kukafka、Bales、Burkhardt Friedman，2006）。据报道，通过应用自然语言处理方法，可以轻松识别与中心静脉导管相关的不良踪迹（Penz，Wilco X&Hurdle，2007）。同样，Stusser和Dickey（2013）得出结论，医疗记录中的TM和数据挖掘可以在很大程度上帮助改善医疗保健并降低成本。在这项研究中，我们的目的是认识到自然发生的关键病理，水手们通过TM方法。3. 方法在本节中，我们总结了从C.I.R.M存储库中随机收集的医学文档以及使用发送技术对TM进行的探索该分析使用R statistics 1.2.5版本进行，包括CRAN镜像上可用的我们从C.I.R.M资料库中收集海员图1解释了TM与观点挖掘方法的实验框架。3.1. 实验框架随机选择三年的患者文件进行提取。每份文件都包含海员的医疗问题和症状数据的文本信息我们提取了过去三年（2018-2020年）可用的3112份文件这些文件以CSV文件格式准备，以确保所有文件都导入R平台。3.2. 文本编写文本准备或预处理是将人类文本转换为机器可读格式以供进一步分析的方法。文本预处理包括文本规范化、词干提取和标记化等步骤.3.2.1. 文本规范化在TM中，有必要使用大量数据进行模型训练或算法（Uysal Gunal，2014）。为此，在模型基准测试中常用的方法是将频繁词组装成文本语料库这是由'tm'包完成的，用于构建语料库，然后删除停止词（清理） 。此后 ，我们 构建了term to document可能 作为一 个特殊 的tokenizer。每种语言都有其N.钦塔拉普迪湾Battineni，医学博士Canio等人International Journal of Information Management Data Insights 1（2021）1000053（）（）（）表1C.I.R.M储存库中的医学摘要样本。Fig. 1. 一个实验框架。年案件编号医学文摘#2018二三七#第7/4天，一个Lituan坦克手，从梯子上滑下来，当进入甲板时，大腿/座位的右侧摔倒（带来了明显的瘀斑在那一边）和滚动是扔头不在的方式暴力，带来锻炼一只眼睛有皮肤和小湿疹他没有报告事实，因为，除了水坝，他感觉很好，在他的话说。昨天，8/4，我收到了发生了什么，因为我头痛和压力/脉动的感觉大量的冰袋水有些头有时会慢下来，有时会更强壮。#2018一三五二#对于大约一个星期有目前脓肿在腹股沟区罪，这已经增加了体积在过去的日子里，是摸上去很舒服。 标准中的重要参数#2019#126#指挥官通知说，病人从警卫轮班分解吃三明治后立即指责急性上腹部疼痛。病人声称自己是腹股沟疝的携带者一个Buscopan猜想的改进疼痛症状学。#2019#2786#一个有利的意见是需要转移病人索伦蒂尼朱利奥，58岁，气管食管瘘，从克罗托内到热那亚，乘飞机。病人帕兹将由医生陪同#2019#1985#船长在船上传达海事症状，感叹眼部炎症超过二十（20）天。我们医学委员会#2020#36#胃肠道症状与发烧在决议后饮用水不一定饮用#2020#101#29-年海事受影响约一个星期没有更好的具体高气道感染综合征（指酷），干咳和热上升。 37.1 C#2020#1173#30年目前腹部皮疹，不改善与抗真菌Pomata.我们没有图像个体语料库在这项研究中，收集的患者记录是在英语语言，并进一步转换成数据框架，建立语料库和挖掘相似的症状词。表1列出了我们从患者端收到的患者评论样本。这些医学摘要或评论的目的是诊断病人的问题，但充满了嘈杂的文字，特殊的特点，符号，数字和buz-zwords。所有这些都通过归一化过程去除。3.2.2. 产生标准化的后续工作是，通过考虑常见的前缀和后缀来切割开头或结尾的单词，这些前缀和后缀可以在不受约束的单词中找到（KostoEinstein，Toothman，Eberhart& Humenik，2001）。在这种类型的医学文本中，通过词干分析识别出许多不确定的词，例如“suprising”、“suprisered”，并使用常用词“supriser”表示。3.2.3. 令牌化在规范化步骤之后，对症状词进行简单的特征选择或症状化。然后，每个单个令牌可以使用Shafiei等人中描述的术语频率-逆文档频率（tf-id f）来表示症状稀疏矩阵x。（2007年）。我们考虑具有N个医学文档（dj）的语料库C，其中j=1，2，-，N-1，N，并且症状标记为术语t。tf-idf -加权方案考虑了给定文档中各个症状的相对重要性，并将term（tk）分配为文档dj中的权重（1）.������−���������������,������===������������ 中国���������������（1）其中tf（tk ， dj）表示症状频率（即，医学文档中症状出现的次数），IDf（tk）表示逆医学文档频率，并且Df（tk）表示包含症状的文档的数量3.3. 开发DTM或TDM文档术语矩阵（DTM）是一种解释病历中症状频率在DTM中，行表示收集的医疗文档，列对应于术语（符号）。相反，术语-文档矩阵（TDM）中的行表示术语（症状），列表示文档。表2总结了TDM模拟的结果。N.钦塔拉普迪湾Battineni，医学博士Canio等人International Journal of Information Management Data Insights 1（2021）1000054Negative（2）张晓波（Word1）2015年10月24日，Word2）的方式 .........P（沃登）的方式=1=1它也决定了一个特定的单个术语之间的关系，表2TDM结果。图2. 词汇情感分类的实验方法。分类所需的参数。朴素贝叶斯算法背后的基本思想<<术语文档矩阵X（术语：2777，文档：3112）>>非/稀疏条目1937/16，043稀疏度99%最长期限15加权项频率（tf）表3高相关症状词与诊断结果相关结果诊断EX X术语（极限相关性96%）通过组合的分类概率和语法，#考虑训练数据集X的正类和负类#计算先验概率对于正类=正项总条款和对于类负数=负数项总条款#计算类别A（na）和B（nb）的词频总数（ni#计算关键字出现P（w /类阳性）=字数/ n（阳性）1我P（w1/类负数）=字数/ni（负数）P（wn-1/class positive）=word count/ ni（positive）P（wn/类正）=字数/ni（负）#执行均匀分布以避免零频率问题#新文档Z基于正组和负组的概率P（Z/W）（1）A=A（A）= B（Word1）2015年10月24日，Word2）的方式 ......P（Wordn）3.4. 情感分析WP（）=0阳性分类阳性分类阳性分类W级底片类否定类阴性整个语料库的情感分类、极性测量和聚类都我们采用了基于lexi-con和机器学习的情感分类。3.4.1. 词汇情感分类在这个阶段，它处理症状分类和语料库聚类方法。我们使用了词汇情感分析（LSA）技术，该技术定义了文档中的单个术语搜索并进行权重计算。LSA分类器是一种情感评分功能，突出了语料库中的所有症状，无需标记数据，并且通过评分功能轻松做出决策（Lan，Zhang，Lu Wu，2016）。图 2解释了在实时医疗实践中TM与情感分析的实 验方法。所有的语料库单词与词典单词进行比较，并且总体语料库情感得分将是正和负分配单词之间的差异。因此，语料库中每个诊断评论的极性得分定义为：情绪评分=∑nPs −∑nNs; Ps和Ns表示正数，#具有最高概率的类是Z分配的新文档4. 结果4.1. 患者文档随机收集病人的文件与海员的医疗问题。在整个语料库中，我们开始标记化，停止词和空白删除，小写转换，以提取仅个别症状数据集。然后，用（tf-idf）加权法产生一个稀疏矩阵，限制诊断长度至少为3个字符的结果，用诊断词集合模型表示症状稀疏矩阵去除了99%的稀疏项（参见表2），图3显示了症状词的词频（即，每个单词至少出现10次;w≥ 10）超过3年的患者文档。库包ggplot2生成的症状出现如果情感评分>0，则总体诊断结果为阳性如果情感评分0，则总体诊断结果为阴性如果情感评分=0，则总体诊断结果为中性4.1.1. 基于ML的情感分类在这项研究中，情绪分类是通过朴素贝叶斯分类器完成的。它是一个简单的概率分类器，适用于贝叶斯定理（Yaacob，Nasir，YaacobSobri，2019），并且仍然流行于文本分类，基于术语频率（tf）特征的文档进化。它是ML算法中最受欢迎的算法之一，因为它需要少量的训练数据来估计参数。诊断.如上所述，关联功能在很大程度上取决于给定术语和结果诊断的相关性。表3显示肿胀、疼痛和腹部问题的关联函数具有至少96%的最高相关性相关值限制在0（较低频段）到1（较高频段）之间。4.2. 词云文本挖掘方法允许突出显示文档或文本段落中的高频术语。世界云或文本云是一种视觉负号肿胀刚度压痛发红皮疹协会0.990.9811疼痛肿胀红皮肤制作出血协会10.9911腹部肿胀恶心发烧呕吐协会110.960.98N.钦塔拉普迪湾Battineni，医学博士Canio等人International Journal of Information Management Data Insights 1（2021）1000055图三. 三个文档组中最高频率术语的条形图（2018年：顶部，2019年：中部，2020年：底部）。文本数据的表示。这些在视觉上比手动数据呈现更吸引人。三年的症状（术语）词云的医疗记录描绘在图。第四章从单词云结果中可以清楚地看到，大多数医疗记录的对齐都与疼痛，肿胀，出血，受伤，伤口，皮肤病、发烧、腹痛等。一般来说，海员在商船上工作时不太可能伤害自己或不想受伤（Hystad，Nielsen Eid，2017）。即使人们采取了预防措施，由于人为错误而在工作场所发生事故也是最常见的。N.钦塔拉普迪湾Battineni，医学博士Canio等人International Journal of Information Management Data Insights 1（2021）1000056图第四章 常见健康问题术语的常用词云（2018年：左，2019年：中，2020年：右）。表4检索到的文件中收集的患者症状总结症状组检索的文件总数患者总数症状20181002937201911369512020974889表5单个文档组的情感评分分布（分数在-1到1之间被视为中立意见）。评分负中性积极行合计2018年集团2262364539152019年集团1613994139732020年集团136404349889总5231039121527774.3. 情绪分析结果首先，我们检索了患者文件，然后进行了症状提取。之后，患者的反馈被认为是进行意见挖掘，以定义积极，消极和中立的情绪。此后，评估症状频率分析以识别流行疾病术语并创建其预组装词典。表4总结了收集的患者文件和症状。预组装的lex- icon与医学图书馆术语合并用于情感分类。词汇评分是在三个情感组进行的（图。 5）。这些评分的分布见表5。三年期（2018年、2019年和2020年）的总体情绪都是积极的，情绪比率（-ve：中性：+ve）分别为1：1：2、1：2：2.5和1：3：2.5。所有这些结果都解释了患者对疾病的解释通常与医生的诊断相匹配在机器学习情感分析中，准确度、精确度和重调用被用来评估意见挖掘的性能准确性被定义为某些群体模型情感的总体真实结果，精确度是真实积极情感与特定群体总情感的比率（Battineni，Sagaro，Nalini，Amenta& Tayebati，2019）。朴素贝叶斯分类器在三个方面的性能指标五轮实验设置中的文档组如表6所示。进行了一项类似的意见挖掘研究，以预测经历药物效应的患者的药物满意度水平（Gopalakrishnan Ramaswamy，2017）。他们应用神经网络（NN）和支持向量（SVM）来说明两种不同药物组的性能。径向基神经网络比SVM产生更好的性能，药物1的平均精度为88.6%，药物2的平均精度为在这项研究中，我们实现了超过80%的平均准确度和精确度，这在医学领域得到了广泛接受5. 讨论本研究提出了TM方法在提取海员临床症状信息中的重要性，并通过情感分析评估了患者的病情由于在线或临床实践中可获得大量医疗数据，通过传统统计方法来计算准确的健康数据是一个困难或长期的过程另一方面，在线博客或社交媒体网站由于访问量低和隐私问题而不打算披露个人信息（Battineni等人，2020年）。因此，文本挖掘方法用于处理临床数据和探索医疗保健主题。TM还有助于提出医学问题和患者意见，是文本探索性分析的一个特殊领域（Grover Kar，2017）。5.1. 文学贡献在医学界，疾病相关症状、健康相关主题和医学问题对于医疗保健中心、医生和患者是强制性的。通过不同平台的数据可用性可以改变信息系统的学习行为。太高了-N.钦塔拉普迪湾Battineni，医学博士Canio等人International Journal of Information Management Data Insights 1（2021）1000057图五. 三个症状情绪评分组的比较[量表范围从-5（高度消极）到+5（高度积极）]。表6整个语料库测试患者组评论的准确性比较E.实验编号经过培训的患者评论阴性准确度（%）精密度（%）召回率（%）中性准确度（%）精密度（%）召回率（%）阳性准确度（%）精密度（%）召回率（%）11051.252.350.653.752.953.150.451.253.222058.161.862.460.263.662.457.359.858.333064.863.164.667.469.168.763.160.662.645074.976.275.276.673.274.373.376.171.8510083.680.381.685.487.886.881.782.483.4Kar和Dwivedi（2020）指出，文本挖掘、情感分析、图像分析和网络科学描述了数据科学的见解。大量的社交媒体网站，如Twitter或Facebook，都包含基于情感的评论。为了分析这一点，意见挖掘涉及TM分类或评价情感内容的文本源。初步研究强调了临床试验和在线博客来源的医学情感，以及社交媒体文本，表明它们可以在医疗环境中捕获患者的意见（Denecke Deng，2015）。在一个在线医学社会或社会媒体网络和医疗机构创建数据，他们需要病人的意见，为他们的网站。在阿拉伯之春活动期间，带有情感分析的TM可以成为一个强大的预测工具，并成功地完全适用于提取社交媒体事件进行情感分类（Akaichi，Dhouioui Lopez-Huertas，2013）。在医疗领域，使用自然语言模型的消息可以对患者关于医院体验的评论进行分类。几项研究被确定为包括情感分析，以在健康推文中发现欺诈信息。一些-N.钦塔拉普迪湾Battineni，医学博士Canio等人International Journal of Information Management Data Insights 1（2021）1000058Thors开发了一种方法，可以轻松预测和分析社交网站上的健康问题，结 果 显 示 艾 滋 病 毒 疾 病 之 间 的 相 关 性 准 确 率 为 98% （ Mittal ，Iqbaldeep，Pandey，Verma& Goyal，2018）。开发了一个标准模型，用于分析医疗用户意见，该模型取决于社交媒体中的可用信息（Yang，Lee& Kuo，2016）。检测多种形式的医疗情绪是有用的，因为可能干扰患者的医疗状况、药物和治疗。另一项研究表明，SA水平可能取决于糖尿病中的本体（Salas-Zárate et al.，2017），作者采用Twitter语料库，将用户选项标记为积极，消极和中性，并获得了82%的准确率。在本文中，我们使用不平衡数据集实现了症状和诊断结果情感分析使用朴素贝叶斯进行了验证，并产生了超过80%的准确度，精确度和召回率。在我们看来，这项研究是一个倡议，更好地了解海员5.2. 对实践的海员们暴露在一个24/7在船上停留的环境中，这解决了一些可能影响心理健康的事实。其中一些因素可以随着时间的推移而得到控制，但其他因素则无法治疗（Thomas，Sampson Zhao，2003）。因此，了解疾病趋势对于获得积极影响是相关的。尽管如此，工作场所的安全性必须得到改善，因为与岸上工人相比，海员遭受更多的工伤（Fabiano等人，2004年）。重要的是要遵循一些预防措施，以克服船上的事故率。许多研究人员试图调查商船职业伤害背后的原因，并确定危险因素。在Hansen，Nielsen Frydenberg（2002）的研究中，1993例意外事故中有209例报告为永久性残疾（5%或以上），年龄被认为是永久性残疾的主要危险因素此外，海员远离家乡，很少与朋友和家人接触（Hystaden Eid，2016）。个体员工之间的文化差异会使建立良好关系更具挑战性，因此，这使他们感到更加孤立（Håvold，2007）。医学文本分析策略通常用于处理医学文本内容。在过去，医学文本是针对病人的病情和诊断描述。同时，使用意见挖掘探索用户生成的临床 文 本 内 容 （ 在 线 博 客 或 社 交 媒 体 内 容 ） （ Feinerer ， Hornik&Meyer，2008）。将TM技术应用于航海医学文本，可以实现海洋社区工作中的知识发现。考虑到许多医生无法解释患者症状和病因的深入知识，医生和患者参与在线社区的背后有一些原因。因此，像Twitter这样的在线社区对于医生和患者做出健康的决定并从信息管理和社交媒体网站的同行中受益是非常有效的6. 结论我们提取了三年的患者记录，通过TM和情感分析来了解患者的本文介绍了TM对海员实时医疗记录的干预，并根据词汇评分和机器学习模型评估了情感分类的性能。它为C.I.R.M等医疗中心提供了很大的优势，可以更好地了解和可视化海员的问题，监控健康记录，并评估患者反馈。事故和胃肠道疾病是海员报告的常见疾病，并且可以在很大程度上通过词云中的症状营养物来预测。作者贡献概念化，G.B.和NC;方法论，G.B.;形式分析，北卡罗来纳州;研究和实验，北卡罗来纳州;资源，G.B.和GGS数据管理，G.B.和NC;写作--初稿准备，G.B.;写作-审查和编辑，G.B.和FA;监督，F.A.;项目管理，F.A.;融资收购，F.A.竞争利益作者声明无利益冲突。资金这项工作部分得到了ITF信托基金（编号1276/2018）的资助，用于流行病学分析和数据挖掘操作。引用Adám，B.，Rasmussen，H.B、佩德森河N. F.、Jepsen，en J.R. （2014年）。丹麦商船的职业事故和海员的国籍毒理学杂志. 10.1186/s12995-014-0035-4。Akaichi，J.，Dhouioui，Z.，Lopez-Huertas，M.J.（2013年）。Perez，情绪分类的状态更新Bal，E.，阿尔斯兰岛&塔瓦奇奥卢湖（2015年）。海员疲劳病因的优先顺序和应用乳酸试验测量疲劳。安全科学。10.1016/j.ssci.2014.08.003。Battineni，G.，等人（2020年a）。影响在线健康质量和可靠性的因素信息. 数字健康，6，bll 1-11。10.1177/2055207620948996。Battineni，G.，Di Canio，M.，Chintalapudi，N.，Amenta，F.，&尼塔里湾（2019年a）。开发体能训练智能手机应用程序，以维持海员的体能水平。国际海事卫生。10.5603/IMH.2019.0028。Battineni，G.，萨加罗湾G.，Alpalapudi，N.，Amenta，F.（2020年b）。的应用机器学习预测模型在慢性病诊断中的应用个性化医学杂志。10.3390/jpm10020021。Battineni，G.，Sagaro，G. G.，Nalini，C.，Amenta，F.，&塔耶巴蒂，S.K. （.2019年）。“比较--tive machine learning approach：A follow-up study on type 2 diabetes predictions bycross-validation methodsEscherakir，E.（2019年）。商船上的致命和严重伤害。International Maritime Health，70（2），bll 113-118. 10.5603/IMH.2019.0018。Denecke，K.，&邓，Y.（2015年）。医疗环境中的情绪分析：新的机遇和挑战。医学中的人工智能。10.1016/j.artmed.2015.03.006。Fabiano，B.，Currlyn，F.，&帕斯托里诺河（2004年）。意大利工业中工伤与企业规模和类型之间关系的研究。安全科学。10.1016/j.ssci.2003.09.003。费纳勒岛Hornik，K.，Meyer，D.（2008年）。R中的文本挖掘基础设施统计软件杂志。10.18637/jss.v025.i05。弗里德曼，C.，T.Rind Schlesch，T.C.的方法，玉米，M.（2013年）。自然语言处理：现状艺术和重大进展的前景，由国家医学图书馆主办的研讨会生物医学信息学杂志。10.1016/j.jbi.2013.06.004。Gopalakrishnan，V.，拉马斯瓦米角（2017年）。使用监督学习进行患者意见挖掘以分析药物满意度应用研究与技术杂志。10.1016/j.jart.2017.02.005。Grover，P.，&Kar，A. K.（2017年）。大数据分析：文献中使用的理论贡献和工具全球柔性系统管理杂志。10.1007/s40171-017-0159-3。Hansen，H.L.，Nielsen，D.，Frydenberg，M.（2002年）的报告。商船上的职业事故职业和环境医学。10.1136/oem.59.2.85。Håvold，J.I.（.2007年）。“National为挪威航运公司Hystad en，S.W.，.& amp; Eid，J.（2016）. “Sleep and fatigueamong seafarers: The role of environ- mental stressors, duration at sea and psychologicalcapital”,doi：10.1016/j.shaw.2016.05.006。Hystad，S. W.，Nielsen，M. B、&Eid，J.（2017）.睡眠质量、疲劳和安全气候对海员事故风险感知欧洲应用心理学评论. 10.1016/j.erap.2017.08.003。Kar，A.K.，Dwivedi，Y.K. （2020年）。用大数据驱动的研究建立理论-国际信息管理杂志。10.1016/j.ijinfomgt.2020.102205。Khadjeh Nassirtoussi，A.，Aghabozorgi，S.，Wah，T.Ying，en Ngo，D.C.L.（2014年）。“文本市场预测的挖掘：一个系统的回顾doi：10.1016/j.eswa.2014.06.009。Kim，J.H.，&Jang，S. N. （2018年）。 海员生活质量：组织文化、自我效能和感知疲劳。国际环境研究与公共卫生杂志，15（10）。10.3390/ijerph15102150。金，Y。M.，Delen，D.（2018年）。医学信息学研究趋势分析：文本挖掘方法。健康信息学杂志. 10.1177/1460458216678443。科斯托河N.，Toothman，D.R.，Eberhart，H.J.，Humenik，J.A. （2001年）的第10页。使用数据库断层扫描和文献计量学的文本挖掘技术预测与社会变革。10.1016/S0040-1625（01）00133-0。N.钦塔拉普迪湾Battineni，医学博士Canio等人International Journal of Information Management Data Insights 1（2021）1000059库卡夫卡河贝尔斯湾E、Burkhardt，A.，&弗里德曼角（2006年）。根据功能、残疾和健康的国际分类，对康复出院摘要进行人工和自动编码。美国医学信息学协会杂志。10.1197/jamia.M2107.Lan，M.，张志，吕，Y.，&en Wu，J.（2016）.“三个卷积神经网络-- 基于情感分析的情感词向量学习模型Mahdi，S.美国，Amenta，F.（2016年）。80年的CIRM。一段承诺之旅，致力于提供海上医疗救助。国际海事卫生。10.5603/IMH.2016.0036。梅 尔 拜 ， A. ， & 卡 特 ， T 。 （ 2017 年 ） 。 海 员 的 抑 郁 症 和 自 杀 ” 。 国 际 海 事 卫 生 。10.5603/IMH.2017.0020。Mittal，M.，Iqbaldeep，K.，Pandey，S. C.的方法，Verma，A.，&戈亚尔湖M.（2018年）。意见挖掘对于医疗保健行业的推文，使用模糊关联规则。EAI认可了关于普及健康和技术的交易。10.4108/eai.13-7-2018.159861.Nittari，G.，等（2019）。海员健康护照的设计与演变为海员提供支持（远程）医疗援助。国际海事卫生。10.5603/IMH.2019.0024。Oldenburg，M.，Baur，X.，施莱希角（2010年）。航海的职业风险和挑战职业健康杂志。10.1539/joh.K10004。彭兹，J.F. E、WilcoX，A. B、&Hurdle，J.F.（2007年）。自动识别广告-与中心静脉导管相关的事件。生物医学信息学杂志。10.1016/j.jbi.2006.06.003。Rathore，A.K.， 卡尔， A.K.， .& amp; en 伊拉瓦拉桑， 范纳特 （.2017年）。“社会 媒体 分析学：文献综述和未来研究方向doi：10.1287/deca.2017.0355萨拉斯-萨拉特湾D. P.，Medina-Moreira，J.，Lagos-Ortiz，K.，Luna-Aveiga，H.，罗德里格斯-García，M.，&巴伦西亚-加西亚河（2017年）。关于糖尿病的推文的情感分析：一种方面级方法。医学计算与数学方法。10.1155/2017/5140631。Sha fiei，M.例如，（2007年）。“Document representation