要点
问题如何急诊医学医生的社会媒体内容和语言改变了COVID-19期间,他们能提供洞察医生幸福吗?
发现471年这个横断面研究学术急诊医师和临床医生主要的社交媒体内容的差异之前和在大流行期间,包括语言与更高水平的焦虑、愤怒和抑郁在大流行期间。
意义这些发现表明,社交媒体内容可以提供洞察急诊医学医生的心理健康,并可能揭示信号与倦怠通过识别较高水平的心理健康应变和关键主题内容的变化。
重要性急诊医学(EM)医生经历巨大的情绪健康压力,加剧了COVID-19期间,很多人采取社会媒体来表达自己。
客观的从学术分析社交媒体内容EM医生和临床医生调查内容的变化和语言作为心理健康的指标。
设计,设定和参与者这个横断面研究使用机器学习和自然语言处理的推文自称学术EM医生和临床医生在2018年3月和2022年3月之间。与会者包括学术EM医生和临床医生与公开的帖子(至少300字的帖子)从美国县的十大COVID-19负担。2022年6月至9月,执行数据分析。
曝光作为一个EM医师或主治医师在Twitter上发布。
主要结果和措施社交媒体内容主题prepandemic期间,在大流行期间,在大流行的阶段进行了分析。心理结构评估包括焦虑、愤怒、抑郁和孤独。积极的和消极的语言在帖子测量情绪。
结果本研究确定了471医生共有198 867帖子(意味着(SD), 11 403(18 998)字在文章;中值(差),3445(1100 - 11 591)字在文章)。前5名prepandemic主题包括免费开放获取医学教育(科恩d0.44;95%置信区间,0.38 - -0.50),住院医师教育(科恩d0.43;95%置信区间,0.37 - -0.49),枪支暴力(科恩d0.37;95%置信区间,0.32 - -0.44),卫生保健质量改进(科恩d0.33;95%置信区间,0.27 - -0.39),和专业的居民协会(科恩d0.33;95%可信区间,0.27 - -0.39)。在大流行期间,主题是显著相关健康行为在COVID-19(科恩d0.83;95%置信区间,0.77 - -0.90),大流行应对(科恩d0.71;95%可信区间,0.65 - -0.77)、疫苗和疫苗接种(科恩d0.60;95%置信区间,0.53 - -0.66),不稳定的住房和无家可归(科恩d0.40;95%置信区间,0.34 - -0.47),和对他人的情感支持(科恩d0.40;95%可信区间,0.34 - -0.46)。大流行的整个阶段,主题内容在社会媒体文章显著改变。与prepandemic时期相比,有更积极的,和认识提高更多的负面,语言COVID-19期间使用。估计的孤独、焦虑、愤怒和抑郁COVID-19期间也显著增加。
结论和意义横断面研究,相关的关键主题的变化和增加语言焦虑、愤怒、抑郁和孤独在社交媒体上发布的内容确定学术EM流感大流行期间医生和临床医生。社交媒体可以提供实时和演变景观评价专题内容和语言学相关卫生保健工作者的情感和情绪。
COVID-19流行继续加剧心理健康症状和卫生保健相关临床工作倦怠。1- - - - - -3倦怠在卫生保健和之前存在的抑郁和焦虑症状的流行和医学实习生(如学生和居民的医生)。4,5COVID-19继续影响急诊医学(EM)医生和临床医生。6,7前线的照顾自然急诊科(ED)和与压力相关的因素交织在一起,焦虑,抑郁,和倦怠,因为混乱的环境中,高水平的工作场所暴力,和持续的接触急救护理事件。6,8,9
初始和后续激增COVID-19流行提升公众对倦怠的关注在卫生保健及其对心理健康影响的劳动力。美国卫生局局长和国家医学科学院公布了一份全面的报告和行动呼吁专门解决卫生保健工作强调了医生需要理解和支持。10,11医生已经开始更加公开地分享他们的观点,又有大量的耻辱与访问精神卫生资源和保健药。12,13最初的不确定性和恐惧与早期的流行是加重了EM医生,急性护理交付给前线的本质。7理解独特的经验和态度和捕捉EM医生和居民的声音一定要确定和构建策略来支持员工和实习生。
指数增加,社交媒体的使用贯穿美国和包括越来越多的医学教育,临床医生的角度,研究。14平台提供一个大的、独特的和可访问的数据源理解有机,用户发布的内容。许多研究已经使用机器学习(毫升)和自然语言处理技术评估社交媒体发布内容识别主题相关的医疗保健和健康,包括心理和情绪健康。15,16
出现了一个机会来调查他们的社会媒体内容的医生和临床医生探索新的数据源,更好地识别情绪健康的压力,发展及时干预。本研究的目的是使用自然语言处理和ML评估Twitter发布由他们的医生在大流行,识别主题内容和语言相关的心理和精神健康结构。
这横断面研究旨在识别心理结构的变化从语言发布到Twitter在社交媒体的流行的EM医生和临床医生的职位。这项研究被认为是免除审查和知情同意的需要由宾夕法尼亚大学的机构审查委员会,因为社交媒体文章公开访问。具体来说,本研究试图探讨如何EM医生和住院医师的社交媒体语言改变了COVID-19期间,特别注意心理健康。为了回答这些问题,本研究分析了公开的社交媒体内容发布的EM医生在4期2018年3月至2022年3月。研究了加强流行病学观察研究(的报告选通脉冲)报告指南的横断面研究。17
优化的能力,识别潜在COVID-19案件负担之间的信号和语言内容在社交媒体上,研究集中在美国最大的十大县COVID-19案例数量的分析使用国家的数据集,18,19拥有累积COVID-19情况下由县。十大县包括在分析洛杉矶,加州;亚利桑那州马里科帕;纽约,纽约;佛罗里达州迈阿密戴德;做饭,伊利诺斯州;哈里斯,德州;加州圣地亚哥;加州河滨分校;佛罗里达州布劳沃德; and San Bernardino, California.
接下来,EDs和培训项目匹配上述县确定那些位于县使用基于web的映射软件(如谷歌地图)。然后我们搜查了卫生系统、医院、和程序的网站名单每年的医生和临床医生。Twitter处理他们的医生和临床医生被识别,并创建一个数据集医生,项目水平的训练,和社交媒体(如处理)。我们核实档案照片、个人信息和之前的帖子来验证,处理与医生的居民。万博manbetx平台首页如果我们不能确认一个概要文件与一个名称列出,不包括在内。我们使用应用程序编程接口来收集最新的3200个帖子(微博)为每个用户发布的2018年1月至2022年3月。这导致一个初始样本199 368帖子从569用户。我们有限的分析样本用户写至少300个单词在他们的岗位上获得可靠的语言信号,在之前的基础上工作。20.结果包括主题内容的帖子,在帖子内容的变化随着时间的推移,和语言属性中心理健康的相关帖子的内容。
目的是识别语言属性在医生的文章明显改变COVID-19之前和期间和在不同阶段的大流行。帖子在2020年3月标记为pre-COVID-19之前,和那些从2020年3月开始标记贴在大流行期间。在COVID-19识别不同阶段,我们使用Python编程语言的破裂图书馆3.4版本(Python软件基金会)21识别的波峰和波谷累积COVID-19县正在考虑的情况下。
我们将文章分为词、标点和符号使用快乐有趣的编译器版本2017 (DLATK)。确保语言标记确定样本以外的我们的分析概括,只有不到1%的用户所使用的单词和短语被排除在分析之外。
我们使用的木槌实现潜在狄利克雷分配版本2013 (Mimno)来识别潜在的数据驱动的词集群(主题)。我们生成一组200个主题使用所有职位在我们的数据集与α= .30少忙每个文档主题。我们聚合贴子月为每一个医生。每月个人的职位然后由医生提到每个主题的概率,这是医生的联合概率提到一个词和词的概率发生在给定的话题。每个医生当时为代表的可能性提到每个每月200的主题。潜在狄利克雷分配使用,因为它是显示在之前的工作22获得定性更好的主题与其他topic-modeling方法相比。
我们使用pretrained语言模型从大型数据集获得个人的标准化的心理构造来自每个月他们的语言。具体来说,我们获得信心,孤独,23焦虑,24愤怒、抑郁、25和积极的和消极的情绪。这些模型已经验证样本内和跨多个种群out-of-the-sample COVID-19之前和期间。15,16
每月每用户获得的语言属性作为输入变量,和时间之前和期间COVID-19转化成一个哑变量作为结果在一个普通的最小二乘模型。识别相关的语言在COVID-19 4的每个阶段,每个阶段我们编码作为一个假,跑一个类似普通最小二乘模型计算的重要主题和结构在每个4阶段。
尺度效应被科恩测量d的基础上的归一化频率特性。26我们使用Benjamini-HochbergP修正为多个比较和正确使用双向的P<。05for indicating significant associations. Data analysis was performed from June to September 2022.
横断面研究时期是从2018年1月1日,3月31日,2022年,preperiod被定义为1月1日,2018年,2020年2月28日。EM医生和居民发布的最终数据集从县十大COVID-19负担情况下,至少有300字的文章在研究期间,导致最后的471用户共有198 867职位。参与我们的研究写了一个意思(SD) 11 403(18 998)字在文章(中位数(差),3445(1100 - 11 591)字在文章)2018年1月至2022年3月。数据访问和分析截面在研究期间,受试者失访。
然后计算获得4阶段根据累积COVID-19病例3月1日之间,2020年,2022年3月31日。第一阶段是从2020年3月1日,10月31日,2020;第二阶段是从2020年11月1日,4月30日,2021;第三阶段是从2021年5月1日,12月31日,2021;和第四阶段是从2022年1月1日,2022年3月31日。EM医生发布积极改变的数量从405医生(67 685帖子;平均(SD), 167.12(311.04)之前每个医生的帖子)COVID-19 536医生(131 683帖子;平均(SD), 245.67(494.97)职位/医生)在大流行期间。
与职位相关的五大主题明显由他们的医生在2020年3月对自由开放获取医学教育在EM(科恩d0.44;95%可信区间,0.38 - -0.50),住院医师教育一般(科恩d0.43;95%置信区间,0.37 - -0.49),枪支暴力(科恩d0.37;95%置信区间,0.32 - -0.44),卫生保健质量改进(科恩d0.33;95%置信区间,0.27 - -0.39),和居民专业协会(科恩d0.33;95%可信区间,0.27 - -0.39)。五大主题在大流行期间有显著不同,包括健康的行为在COVID-19(科恩d0.83;95%置信区间,0.77 - -0.90),大流行应对(科恩d0.71;95%可信区间,0.65 - -0.77)、疫苗和疫苗接种(科恩d0.60;95%置信区间,0.53 - -0.66),不稳定的住房和无家可归(科恩d0.40;95%置信区间,0.34 - -0.47),和对他人的情感支持(科恩d0.40;95%可信区间,0.34 - -0.46)。表1显示了五大重要话题之前和期间COVID-19连同相关的效应大小。26
在大流行阶段,主题内容在社会媒体的帖子也显著改变。在第一阶段,五大主题是COVID-19(科恩d0.51;95%可信区间,0.44 - -0.59),公共卫生安全(科恩d0.43;95%可信区间,0.35 - -0.51),面具戴(科恩d0.28;95%可信区间,0.20 - -0.35)、种族股本(科恩d0.24;95%可信区间,0.17 - -0.32),全职措施(科恩d0.23;95%可信区间,0.16 - -0.31)。第二阶段的主题转移到疫苗接种、希望、政治话语,医学生和居民,和哀悼。表2显示了最高的主题在社会媒体的文章和相关的效应大小。
与prepandemic时期相比,有更积极的,和认识提高更多的负面,语言COVID-19期间使用。估计的孤独、焦虑、愤怒和抑郁COVID-19期间也显著增加。图1显示在这些变化的心理语言结构随着时间的推移,和图2显示效果大小的积极的和消极的语言。最特别,最大的变化之间pre-COVID-19时期和第一阶段显著减少积极语言使用和显著的消极语言使用,孤独,焦虑、愤怒、压力和抑郁。跨阶段跨这些构造(eFigure有变化补充1)。
COVID-19放置了大量的生理和心理压力对卫生保健系统和卫生保健的劳动力。3,27特别是一线临床专业如EM和居民等学员医生。2,6- - - - - -8这个横断面研究分析社会媒体文章EM医生和临床医生从县高COVID-19案件负担评价语言内容和情感变化使用毫升和自然语言处理。
本研究有三个重要的发现。首先,认同他们的医生和临床医生是整个时期发布大量的内容之前和期间COVID-19大流行。至于其他人群,Twitter作为一个大的源内容和代理使用的主题和语言与心理健康有关。16,20.,28,29日社会媒体平台为用户提供独特的和动态的环境中分享他们的个人观点和想法在规模和空间来收集数据。我们能够确定医生和临床医生在Twitter上使用传统的方法。什么是未知用户发布的内容设计他们的资料不那么显眼了(例如,配置文件不容易与个人用户名或图)和社交媒体平台人气的变化如何改变后使用的新兴平台(TikTok),所有权的变化在大平台(Twitter购买30.),和整体社会媒体使用前进。31日在这项研究中,我们看到了一致在帖子中使用没有大的变化。
第二,本研究揭示了显著的负峰值在Twitter语言EM医生心理构造。在这项研究中,我们确定了更高的心理压力在所有领域和更高的消极语言在大流行。通往大流行,我们看到一个通用语言表达孤独增加内容,符合文献孤独的存在。28,32- - - - - -34关注孤独也是有趣的,鉴于其日益增长的卫生保健工作者连接倦怠。在结构,在整个大流行期间,我们看到了惊人的变化可以通过社会媒体内容确定。这些信号提供了另一种方法评估心理健康的劳动力和大规模的培训。这些发现提供了洞察的心理健康医生使用新方法来理解心理和情感健康通过社会媒体。据我们所知,这是最早研究部署毫升分析这对卫生保健内容规模人口和理解另一个动态方面的精神和情绪健康。大型著名方法还发现了这些趋势,35然而,社交媒体提供了一种有机和非结构化环境调查主题内容和情感在当下。
第三,本研究确定了关键主题,医生和临床医生在社会媒体在讨论阶段的大流行。这些主题多样,提供了一个新颖的方法来训练的居民了解话题是有先见之明的。在我们的分析中,我们发现趋势,与国家和社会的主题关于不公,包括枪支暴力,阿片类药物流行病,种族主义,和股票。这当然可能是新兴市场由于其特有的交集与公共卫生和医疗保健;然而,我们假设这些领域跨越到其他专业领域。未来的工作可以分析主题内容在培训领域的变化(如手术、医学、儿科)和跨地理区域。此外,社会媒体平台继续变化的景观与用户偏好的变化和流行。类似的方法可以应用到大型毫升另类交易平台在不同内容类型识别和验证的主题,包括文字和视频和摄影的文章。
这项研究有一定的局限性,需要注意。它使用社交媒体内容,由那些有偏见的积极社会媒体上发布;因此,参与者可能更倾向于分享他们的观点、情绪或想法可能过多。这个分析使用Twitter的数据平台,没有聚合数据从其他社交媒体平台(如Instagram、TikTok或Facebook),因此,研究结果可能不是适用于所有的社会媒体内容和是有限的用户在Twitter上。我们的方法包括公开或容易辨认的EM医生和居民共享社交媒体用户名或账户或者那些认为自己的平台。这种分析否则不包括个人用户名或帐户无法辨认或归因于个人;此外,个人可能有多个账户。在这个分析中,我们只选择分析个人在县十大最高COVID-19负担情况下,介绍了选择性偏差。这个选择的目的是确定信号是否在场,在潜在高风险或人口受影响较大。这个策略还是有限的,因为它不包括个人以外地区,可能代表扭曲的结果。 Future work can look more broadly across the nation and in varying fields in medicine. This approach did not account for the volume of posts and is correlational, not causal.
社交媒体可以提供丰富的、动态的和独特的窗口到情感,思想,和个人的意见。的卫生保健继续面对多个心理健康菌株与照顾,加剧了COVID-19大流行,他们可能在社交媒体平台上分享他们的想法和情绪。这个横断面研究揭示了一个显著增加精神健康应变EM医生和居民发病和持续流行。它同时也突显出关键领域领导者和教育者可以使用通知他们的方法来支持不断上升的劳动力在他们的训练。
发表:2023年3月27日。
发表:2023年5月10日。doi:10.1001 / jamanetworkopen.2023.12708
开放:这是一个开放的分布式根据文章CC-BY许可证。©2023 Agarwal AK 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:西班牙k·阿加瓦尔博士英里每小时,MS,急诊医学、宾夕法尼亚大学,410年Blockley大厅,423守护博士,费城,宾夕法尼亚州19146 (anish.agarwal@pennmedicine.upenn.edu)。
作者的贡献:Drs Agarwal Guntuku有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:阿加瓦尔,Tran Guntuku。
数据的采集、分析或解释:所有作者。
起草的手稿:阿加瓦尔,米塔尔,商人,Guntuku。
关键的修订手稿的重要知识内容:阿加瓦尔,Tran Guntuku。
统计分析:阿加瓦尔,米塔尔,Guntuku。
获得资助:阿加瓦尔,Guntuku。
行政、技术或材料支持:阿加瓦尔,商人。
监督:阿加瓦尔,Guntuku。
利益冲突的披露:没有报道。
资金/支持:阿加瓦尔博士是R01MH127686赠款支持,从美国国立卫生研究院R01MD018340。商人博士是K24赠款支持HL157621, R01MD018340,和R01MH127686国家心脏,肺和血液研究所。Guntuku博士被授予R01MD018340支持来自美国国立卫生研究院。
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;并决定提交出版的手稿。
数据共享声明:看到补充2。