使用深度学习分析社交媒体讨论人类乳头瘤病毒疫苗

要点

问题公众的人类乳头瘤病毒(HPV)疫苗访问从行为改变的角度理论和机器学习算法通过挖掘社交媒体数据吗?

发现这个队列研究包括463 431  英文文章关于HPV疫苗从486 116独特的用户名从社交媒体平台。增加人乳头状瘤病毒与疫苗相关的讨论被发现,结果显示时间和地理变化的公众形象HPV疫苗。

意义本研究的结果表明,社交媒体和机器学习算法可以作为补充通知公共卫生监测方法和理解,帮助设计有针对性的教育和沟通程序增加HPV疫苗的接受。

重要性人类乳头瘤病毒(HPV)疫苗犹豫或拒绝父母的青少年中比较普遍。公众的理解从行为改变的角度理论可以方便有效的和有针对性的疫苗推广策略。

客观的开发和验证深度学习模型为理解公众的HPV疫苗从行为改变的角度理论利用社交媒体数据。

设计,设定和参与者这项回顾性队列研究中,进行了从4月到2019年8月,包括纵向和地理分析公众关于HPV疫苗,使用采样人乳头状瘤病毒与疫苗相关的Twitter讨论收集了从2014年1月至2018年10月。

主要结果和措施社交媒体的流行讨论有关健康信念模型的构造(HBM)和计划行为理论(“),按照深度学习分类算法。局部估计的散点图平滑(黄土)显示趋势的结构。社交媒体用户的美国国家级家里位置信息提取,和地理分析确定集群的公众人乳头状瘤病毒疫苗。万博manbetx平台首页

结果总共1 431 463英文文章收集从486年 116年独特的用户名。深入学习算法实现f - 1的分数从0.6805 (95% CI, 0.6516 - -0.7094), 0.9421(95%可信区间,0.9380 - -0.9462)在讨论映射到行为改变理论的构造。黄土构造显示趋势;例如,感知障碍患病率,HBM的构造,死者从顶峰2015年7月(56.2%)患病率在2018年10月的最低点(28.4%;差异,27.8%;P<措施);积极乐观的态度,人乳头状瘤病毒疫苗,图则的构造,从2017年初(30.7%)上升到41.9%在研究结束时(差异,11.2%;P<措施),而消极态度从42.3%下降到31.3%(差异,11.0%;P<措施)在同一时期。州际变化的公众形象HPV疫苗也确认;例如,美国俄亥俄州和缅因州显示感知障碍患病率相对较高(11 17 106(67.4%)和1157年的531 1684年[68.7%])和消极态度(9655 17 197(56.1%)1793年和1080年[60.2%])。

结论和意义这个队列研究提供了一个很好的理解公众对社会媒体和演进趋势的多个维度。公众的州际变化可能与当地反对疫苗接种的人气的上升有关。描述的方法在这项研究代表了一个早期的贡献使用现有的经验和理论上的基础框架,描述人类决策与深智能学习算法。此外,这些数据证明收集大规模HPV疫苗的能力知觉和意图的数据可以告诉公众健康沟通和教育项目旨在提高免疫利率在社区,国家,甚至国家层面。

人类乳头瘤病毒(HPV)是最常见的性传播疾病在美国。¹人类乳头瘤病毒感染导致大约33 每年700例癌症在美国,包括宫颈、阴道、外阴的,阴茎和肛门癌。^2,3人乳头状瘤病毒疫苗自2006年以来一直可用来防止HPV-associated癌症和建议从9岁到26岁的青少年如果不接种疫苗,而且,对一些人来说,45岁。⁴不幸的是,与其他青少年疫苗相比(如破伤风、白喉、百日咳(破伤风白喉百日咳混合疫苗)和脑膜炎球菌B [MenB]), HPV疫苗利率仍然很低,大约有51%的青少年没有完成人类乳头瘤病毒疫苗接种系列。⁵最常见原因父母赤纬的HPV疫苗包括安全问题,缺乏必要的,缺乏知识和人乳头状瘤病毒疫苗。⁶出于这个原因,了解这些问题的流行可以告知定制的策略来缓解和改善免疫利率。

行为改变理论提供了一个概念性的框架来理解的因素和方法影响特定健康行为。⁷健康信念模式(HBM)和计划行为理论(“)是最受欢迎的行为改变理论被广泛用于解释健康行为。HBM假定动机采取预防性健康行为,比如筛查和疫苗接种,主要是由于以下结构:感知敏感性,感知严重性,感知到的好处,感知障碍,行动的暗示和自我效能感。⁸图则假定结构,包括态度、主观规范、感知行为控制、驱动人们的意图执行健康行为。⁹协会已建立HBM的理论构念之间^{10- - - - - -13}和“^{14- - - - - -16}人类乳头瘤病毒疫苗接种的意图和吸收。

提高公众的理解人类乳头状瘤病毒和人乳头状瘤病毒的疫苗是至关重要的发展量身定做的教育工作,提高HPV疫苗接种率。此外,理解这些观念在社区,随着时间的推移,州级和国家级可以提供详细的数据有用的设计有针对性的方法改善免疫教育项目和公共卫生运动。社交媒体平台提供一个独特的机会来检查未过滤的意见、评论,庞大的人口和讨论,同时减轻传统调查的局限性,包括资源成本和实时跟踪变化的困难。^{17- - - - - -19}(ML)我们的目标是使用机器学习的方法来检测人乳头状瘤病毒疫苗在Twitter上的讨论,也被公认为1的主要来源为访问公共意见的各种话题,从政治^20.公共卫生。²¹Twitter和其他社交媒体平台相比,有更少的隐私限制(即容易获得大规模的公共讨论),比一般人年轻用户,²²这也使得它成为一个重要的资源,以研究青少年与疫苗相关的讨论。

半自动的方法来理解社交媒体讨论疫苗包括手工编码和标签或关键字分析,^{23- - - - - -26}但这些受限于缺乏可伸缩性和不准确的地方,分别。鉴于微博作为社会化媒体的独特特点后(如短,出现的网络俚语),获得一个准确的理解这些讨论是具有挑战性的。²⁷毫升方法出现了解决这些限制和提高精度的理解公众的疫苗,^28,29日特别是人乳头状瘤病毒疫苗。^{30.- - - - - -35}ML算法的一个子集,深度学习(DL)算法已经应用于分析社交媒体自然语言处理(NLP)任务,^{36- - - - - -38}及其优越性已经发现相比与传统ML的努力。^39,40DL也是有利的,因为它可以节省大量特性工程努力NLP(从文本中提取数字特征的过程中,代表的意义内容和对这些学习算法)的有效性是至关重要的,这是通常所要求的ML算法。ML-relevant概念的术语表在这项研究在eTable提供补充。

本研究得到的机构审查委员会豁免委员会保护人类受试者在休斯顿德克萨斯大学健康科学中心。知情同意被授予的豁免由于回顾性的设计研究。本研究遵循加强流行病学观察研究(的报告选通脉冲)报告指南。

研究设计的概述中可以看到图1。我们首先收集人乳头状瘤病毒与疫苗相关的取样讨论,使用关键字,然后手动分类(即注释,ML)的语言的一个子集的帖子关于HBM的理论结构和图则。最初human-categorized帖子是对照的语料库⁴¹(即文章human-assigned标签),用于训练和评估毫升和DL算法。执行最成功的模型(即f - 1最高分数)被选择并应用到剩余的无标号的帖子。分析,包括时间序列分析和地理分析,然后进行DL-categorized行为构造识别变化的公众对人乳头状瘤病毒疫苗。

我们使用一组关键词收集人乳头状瘤病毒与疫苗相关的贴子使用Twitter流媒体应用程序编程接口(大约1%的整个流体积)从1月1日,2014年,2018年10月26日。关键词包括人乳头状瘤病毒,人类乳头状瘤病毒,“加德西”,cervarix。只有英文的帖子被包括在研究中。在HBM方面,我们专注于4主要结构,包括感知敏感性、感知严重性,感知到的好处,和感知障碍;“模型,我们专注于一个合并构造的态度。其他几个结构也影响人类乳头瘤病毒疫苗接种行为。然而,考虑到这些构造的低流行率在我们的数据集,本研究只集中在前面提到的主要结构。

人类社会媒体平台的分类讨论HBM或TPM获得来自我们的先前的研究。^40,42包括结构、定义和文章的例子所示的社交媒体平台表1。三个评审员培训然后分类的一个子集6000帖子HBM构造基于他们的相关性。每个帖子被分配到(HBM无关),没有一个或多个HBM构造。图则结构,3评审员分类相同的6000个职位基于其态度的人乳头状瘤病毒疫苗。审查者首先决定是否发布有关HPV疫苗的态度。如果是相关的,审稿人进一步决定是否它是积极的,消极或中性的。这个标准语料库被用来训练和评估各种毫升和DL算法。网上标注语料库。⁴³

我们框架内容的自动理解社交媒体平台的文本分类任务,它的目的是对帖子的内容预先定义的类别进行分类。我们建立了ML和DL分类器构造的HBM图则,分别。这些分类器训练使用前面描述的human-categorized帖子。4主要HBM结构,我们首先分类根据其相关性的HBM构造,然后分类相关的帖子到主HBM结构,使用二进制分类(1 1构造分类器)。图则结构,我们首先分类根据其相关性对HPV疫苗的态度,然后分类相关的帖子为1的3态度:积极、消极或中性的。每个帖子分类分别HBM和图则。

选择最好的分类任务,我们进行一个评估多个毫升和DL算法和配置。这些算法的描述和实验在eAppendix描述细节补充。我们评估了算法在HBM图则分类(分类)。对于每一个分类的任务,我们将任务相关标记文章分成训练,验证集和测试集的7:1:2比例。我们在训练集训练模型,执行hyperparameter验证设置,选择和评估测试集上的分类器的性能,我们重复10次随机抽样的帖子(替代品)和计算指标有同样比例的每个模型在每个时间。

所有二元分类器(即分类HBM相关职务,“相关的,或者每个HBM构造),我们计算的敏感性、特异性、准确性、精密,召回,f - 1的分数。的多级分类器(即分类后的1 3态度),我们计算总体精度以及精度,召回,f - 1得分为每个态度(也就是说,积极的,消极的或中性的)。

所有统计测试2-tailed,被设定为统计意义P< . 05。时间序列和地理分析R版本进行操作(R项目统计计算)。

我们进行了时间序列分析预测结构提取演变趋势和地理分析来确定美国州际变化的公众形象HPV疫苗。我们选择表现最好的模型(即细心的递归神经网络(Att-RNN)与fastText(英尺)人乳头状瘤病毒嵌入;eAppendix在补充)预测无标号数据的收集。为了减少DL模型的差异,⁴⁴我们重复的随机抽样和培训Att-RNN模型的10倍;所有标记文章的最终预测是基于多数投票的10个模型。

我们定义每个理论构建的流行通过计算数量的比例的职位分类,构造的帖子总数分类到相应的理论。我们计算为每个星期每个构建的患病率。提取结构的趋势,我们每周流行数据应用时间序列分析。具体来说,我们分解流行季节,趋势和随机噪声组件使用本地估计散点图平滑(黄土)。⁴⁵stl的分解是由R函数。通过黄土平滑是一种常见的季节性潮流分解时间序列分析方法在不同的学科。⁴⁵我们测试每一个构造的增加或减少的趋势2-sample比例测试。

用户可以自我报告自己的位置在他们的配置文件。因为它是可选的用户完成档案、位置信息通常是稀疏的。万博manbetx平台首页考虑到可用的位置是在自由文本格式,我们利用一个开源lexicon-based脚本⁴⁶起始位置字符串映射到我们国家。例如,“迈阿密,FL”映射到佛罗里达,德州“德州”。扣除后的职位我们不能映射用户的家位置状态,我们计算了计数和普遍存在的理论和construct-related帖子对于我们每一个国家。

总共1 431 463英文文章收集从486年 116年独特的用户名作为我们的研究对象。总共有6000个职位选择的初始human-categorization讨论社交媒体平台。为每个HBM构造的κinterannotator协议从0.727到0.834不等。整个κinterannotator协议图则分类为0.851。

各种word-embedding技术的比较和分类算法中的eAppendix中可以看到补充。DL模型Att-RNN英尺HPV词嵌入提供最佳的性能在大多数任务,因此选择预测的目的。Att-RNN的性能与英国《金融时报》为对照的HPV字嵌入在语料库中可以看到表2。模型实现平均精度为0.8018 (95% CI, 0.7924 - -0.8113)和0.9226 (95% CI, 0.9171 - -0.9281)确定HBM-related TPB-related职位,分别。HBM-related构造,模型实现之间的平均精度为0.8721 (95% CI, 0.8614 - -0.8828)和0.9063 (95% CI, 0.8977 - -0.9149)和平均之间的f - 1得分0.6805 (95% CI, 0.6516 - -0.7094)和0.8999 (95% CI, 0.8906 - -0.9091)。对于识别TPB-related帖子,该模型实现了平均f - 1的分数是0.9421 (95% CI, 0.9380 - -0.9462);图则的态度,取得了平均之间的f - 1得分0.6996 (95% CI, 0.6841 - -0.7141)和0.8103 (95% CI, 0.8011 - -0.8196)。

应用模型进行分类标记的帖子后,501年和920年948  486帖子被列为HBM相关和图则,分别。HBM-related岗位,125 516(13.2%)、215 964(22.8%)、239 835(25.3%)、049(40.8%)和387 分为易感性、严重性、好处,分别和障碍。为“attitude-related帖子,331 836 (36.1%);341 281(37.1%),369年和247年 (26.9%)分为积极的,消极的,分别和中性。

每个构造的患病率有戏剧性的波动(eFigure 1和eFigure 2补充)。此外,还有增加趋势理论文章的总数(即HBM相关和图则相关)在研究期间。时间序列分析进一步提取每个构造(平稳的趋势图2)。HBM-related结构中,有一个障碍的患病率下降趋势,从2015年7月最高峰(56.2%),最低的患病率在2018年10月(28.4%;差异,27.8%;P<措施)。我们还发现一个严重的患病率增加趋势,最低的患病率(8.8%)和2015年3月2018年10月患病率最高(31.3%;差异,22.5%;P<措施)。福利减少的患病率从2015年初到2016年中期,之后保持相对稳定;易感性证明相反的趋势,随着患病率的增加,但从2015年初最低的患病率(1.9%)和2015年3月2018年9月患病率最高(16.8%;差异,14.9%;P<措施)。HPV疫苗的态度中,中性态度多年来保持稳定;自2017年初以来,积极的态度向HPV疫苗显示出增加的趋势,从30.7%到41.9%(差异,11.2%;P<措施),而消极的态度表现出下降趋势,从42.3%到31.3%(差异,11.0%;P<措施)。

有486 116独立用户名来自1 431 463贡献的平台。在这些用户,128 812概要(26.5%)(369 181文章[25.8%])家的位置,可以映射到美国。HPV疫苗的地理分析的看法是基于这些369 181职位。图3显示集群的HPV疫苗的讨论。人乳头状瘤病毒与疫苗相关的讨论都集中在美国人口大州。加州人乳头状瘤病毒与疫苗相关的讨论网站的最大比例(54 764 369 181 [14.8%])。等大型美国德克萨斯州,纽约,俄亥俄州和佛罗里达州,也显示集群HPV疫苗相关的讨论。

我们进一步研究了州际变化的流行理论构造关于HPV疫苗(eFigure 3和eFigure 4补充)。HBM构造,州中部,包括南达科塔州、内布拉斯加州和堪萨斯州,显示发病率相对较高的讨论相关的好处(996 144 357(40.3%)、434(43.6%),3033年和1191年(39.3%),分别)和感知障碍患病率相对较低(79(22.1%)、178(17.9%)和650年(21.4%),分别)。特别是,俄亥俄州和缅因州显示高患病率的相关讨论认知障碍(11 531 17 106(67.4%)和1157年的1684(68.7%),分别)和低流行的讨论相关好处(2057年(12.0%)和212年(12.6%),分别)。图则的态度,类似于HBM结构,在美国中部显示发病率相对较高的讨论有关的HPV疫苗的积极乐观的态度和发病率相对较低的讨论与消极态度有关。特别是,俄亥俄州和缅因州演示了一个盛行的消极态度(9655年17 197(56.1%)和1080年的1793(60.2%),分别)。

疫苗犹豫中被列为十大全球卫生威胁由世界卫生组织(世卫组织)。⁴⁷现有的研究发现HPV疫苗的拒绝或犹豫可能出于行为改变理论的理论结构。^11,48在这项研究中,我们研究社会媒体趋势与人类乳头状瘤病毒和人乳头状瘤病毒的疫苗与HBM和图则结构。我们发现理论文章的数量的增加(即HBM相关和图则相关)在我们的研究中,证明增加兴趣讨论社交媒体上的HPV疫苗。总体而言,我们的研究结果表明公众HPV疫苗可能会改善。我们发现HPV疫苗的态度成为近年来更积极。这可能是由于大量努力提出的医疗和公共卫生社区关于人类乳头状瘤病毒和人乳头状瘤病毒的疫苗。我们还发现增加用户的感知人乳头状瘤病毒的严重程度,这表明,转向关注癌症预防关于HPV一直有效。许可后的HPV疫苗和缓慢的接受父母的青少年中,美国疾病控制和预防中心(CDC)和消息传递转移他们的教育努力,主要侧重于人类乳头瘤病毒疫苗接种预防癌症。假定他们也鼓励卫生保健专业人员问题强烈建议和包一起推荐青少年疫苗而不是挑出HPV,不管它不是许多州学校所需的条目。我们的研究表明,社交媒体讨论关于疫苗的监测可以协助沟通反应及时反对疫苗接种的情绪的崛起,通知教育努力,和衡量国家意见关于HPV疫苗。此外,我们的方法可以使我们了解一个人的健康信念和态度的疫苗,这可能会进一步促进创新和定制的疫苗推广策略。

公众的认知变化在某些国家的分析可以帮助公共卫生专业人员减轻当地反对疫苗接种运动的影响,研究疫苗政策,并告知vaccine-promotion运动。反对疫苗接种的情绪的聚类(如高患病率在感知障碍和消极态度)可以与当地反对疫苗接种的人气的上升。例如,在目前的研究中,俄亥俄州被确认为有更高的患病率的反对疫苗接种的人气社交媒体。回顾贡献社会媒体平台从俄亥俄州居民发现,大多数讨论这个状态关于HPV疫苗相关谣言和错误的伤害和风险HPV疫苗。万博manbetx平台首页反对疫苗接种的情绪的集群关于HPV疫苗在俄亥俄等州也可能促进了当地反对疫苗接种运动⁴⁹和反对疫苗接种的思想影响⁵⁰居住在这些国家。卫生保健专业人员越来越多地报道社会媒体作为主要的信息来源被父母反对人类乳头瘤病毒疫苗接种。万博manbetx平台首页⁵¹卫生保健专业人士,社交媒体趋势的讨论在特定社区,州或地区可以帮助预测未来病人情绪和警报实践预期和准备潜在水平的提高疫苗踌躇。这将给卫生保健专业人员机会为疫苗进行培训和教育,如果需要的话,在他们的办公室和建立实践解决疫苗犹豫和/或拒绝。

这项研究是非常重要的在群体和个体层面的疫苗接种的背景下决策。社交媒体监测可以帮助了解流行趋势看来,提醒公众健康从业者公众情绪的脉冲。重大公共卫生过程可能明智地社交媒体消息,发送者的动机分类(即HBM和图则construct-related感知)和不合时宜的插入凸,定制的评论作为一种反事实的错误信息。万博manbetx平台首页在这项研究中描述的方法可能使有说服力的信息注入社交媒体流来减轻疫苗在公众犹豫,更尖锐,在vaccine-eligible儿童的父母。这种干预策略提供了潜在的未来的研究和帮助减少疫苗犹豫不决,从而可能导致儿童和青少年实践的使命实现人类乳头瘤病毒疫苗接种目标。描述的方法在这项研究代表了一个早期的贡献使用基于现有的经验和理论框架来开发更智能的人工智能和DL算法可能对HPV疫苗的决策产生积极影响。

在当前时间,公共卫生部门依靠缓慢、昂贵,和有时间限制的方法,如纸张或电子调查或偶尔的大规模研究设计的其他原因,但收集与疫苗相关的数据(如国家健康行为调查)。这种方法的特点是长时间滞后调查和疫苗之间的决策,只依赖于被召回,并提供总总结指标没有目标和区域可操作的信息。万博manbetx平台首页这项研究证明了方法的可行性,vaccine-promotion项目中受益。它提供了一个方法来自动理解群体和个体层面的健康信念和态度的人乳头状瘤病毒疫苗。可以告知理性和指导实际编程努力提高免疫覆盖率,允许实时监控的信念和意图和调整教育和公共卫生运动和消息传递是必要的。这样的数据功能的实时信息设计的这些努力都是非常宝贵的,可万博manbetx平台首页以帮助实现人口疫苗覆盖率水平增加的好处。

有一些限制公共卫生监测使用社交媒体。⁵²特定的人口是偏见,即社会媒体用户可能不是普通人群的代表。因此,研究基于社交媒体数据进行解释时应特别谨慎。然而,随着人口的用户在社交媒体平台上我们研究往往比一般人更年轻,⁵³HPV疫苗推广的目标人群,我们相信公众意见在这个平台上可以非常有价值和补充传统的基于调查的结果。本研究的另一个限制是,治疗时间序列分析的预测标签作为真正的标签可能会导致信息偏差由于误分类率。万博manbetx平台首页^54,55鉴于模型实现高精度大多数任务,我们认为,总体趋势是可靠的。进一步限制是一个标准的主体仅限于6000个帖子。这可能不完全代表了标记集合(约150万个职位),和标记和未标记数据之间的数据分布的变化可能会带来额外的预测偏差。为了减轻这一点,我们建议未来的研究将更有代表性的文章添加到标准语料库。

本研究评估DL算法映射人乳头状瘤病毒与疫苗相关的社交媒体讨论的结构行为改变理论。DL算法优于ML算法在我们的任务。特别是研究提供数据展示几个重要参数对设计有用的策略,可以提高免疫覆盖率。首先,时间序列分析预测构造显示公众认知的发展趋势对人乳头状瘤病毒疫苗。第二,地理分析确定国家级集群的公共认知关于HPV疫苗。这是重要的理解疫苗错误信息和虚假信息的流行病学和目标地理区域需要data-informed教育和其他编程努力应对这样的问题。万博manbetx平台首页第三,本研究的创新分类信息通知基于理论的结构分化和微调态度提供了良好的理论基础为未来的公共卫生信息和快速测量和评估信息和程序等的影响。

发表:2020年8月18日。

发表:2020年11月13日。doi:10.1001 / jamanetworkopen.2020.22025

开放:这是一个开放的分布式根据文章CC-BY许可证。©2020 Du J et al。狗万体育下载地址《美国医学会杂志》网络开放。

通讯作者:崔陶博士学校生物医学信息学,休斯顿,德克萨斯大学健康科学中心7000年后者600年Ste,休斯顿,德克萨斯州77030 (cui.tao@uth.tmc.edu)。

作者的贡献:Drs Du和道完全访问所有的数据研究,负责数据的完整性和数据分析的准确性。

概念和设计:杜、扁、繁荣,道。

数据的采集、分析或解释:杜罗,Shegog,扁,坎宁安,波兰,陈,道。

起草的手稿:杜,坎宁安。

关键的修订手稿的重要知识内容:所有作者。

统计分析:杜罗,扁,陈。

获得资助:扁,道。

行政、技术或材料支持:波兰,道。

监督:道。

利益冲突的披露:杜博士报道收到来自美国国立卫生研究院的资助和癌症预防研究所德州期间进行学习和接受资助的美国心脏协会在提交工作。罗博士报道接受资助的国家过敏症和传染病研究所的行为研究。扁博士报道收到来自美国国家科学基金会的资助和美国国立卫生研究院进行的研究。波兰博士被报道的安全评估委员会主席小说试验性疫苗试验由默克研究实验室;提供咨询建议,默克公司的疫苗研发有限公司,公司,葛兰素史克,赛诺菲巴斯德紧急Biosolutions, Dynavax,基因泰克,礼来公司,詹森全球服务,肯塔基州生物工艺,阿斯利康,Genevant科学;持有专利相关的牛痘疫苗和麻疹肽;临床前研究和接收从ICW赠款资金投资2019肽链型冠状病毒病疫苗。这些活动由梅奥诊所的利益冲突审查委员会和梅奥诊所进行符合利益冲突的政策。陶博士报道收到来自美国国立卫生研究院的资助和美国心脏协会的行为研究。没有其他信息披露报告。

资金/支持:杜博士收到资金从UTHealth癌症预防研究创新训练计划博士前的奖学金(癌症预防和得克萨斯研究所批准号RP160015)。扁博士收到了美国国家科学基金会的资助下奖号码没有。1734134,博士Shegog收到资金从德克萨斯州的癌症预防和研究所格兰特PP190041传播。Drs道和陈收到了来自美国国立卫生研究院的资助下奖数字R01LM011829 R01LM012607, R01AI130460。

资助者的角色/赞助商:资助者没有参与这项研究的设计和实施;的收集、管理、分析和解释数据;准备、审查或批准的手稿;或决定提交出版的手稿。

额外的贡献:作者感谢翔宇刘博士Hsing-yi歌,英里,方Li博士和玉溪贾博士(UTHealth)在Twitter上数据注释。他们没有收到特定的赔偿这个工作。