生物帮宾夕法尼亚大学佩雷尔曼医学院的研究人员可以使用机器学习通过对物质使用治疗设施的在线评论进行梳理，从而获得对患者很重要但仍然难以通过正式手段捕获的质量，例如调查展示。研究人员发现，敬业精神和员工奉献精神是对设施的否定或正面评价的两项最高素质。这项研究的结果今天发表在《普通内科杂志》上。
该研究的主要作者阿尼什·阿加瓦尔(Anish Agarwal)说：“寻找治疗并与之联系可能非常困难且令人困惑。许多人开始在线搜索，他们很可能会看到在线评论以及与治疗设施有关的其他信息。”医学博士，宾州数字健康医学中心临床创新经理，急诊医学助理教授。“这些在线评论可以对整个康复过程中积极的或消极的患者体验提供什么样的评论，但是必须准确地加以识别。通过机器学习，我们已经证明了这是可能的，我们希望这些发现可以用于改善以患者为中心的成瘾护理。”
目前，尚无用于评估和比较治疗药物滥用疾病的设施的全国性质量衡量标准。过去，Agarwal与这项研究的合著者Sharath Guntuku博士(数字健康中心的研究员，计算机科学的助理教授)以及高级作者Raina Merchant博士(数字中心的主任)一起卫生-分析了Google和Yelp的评论，以查看药物滥用和精神卫生服务管理局(SAMHSA)对所提供的库存服务进行的全国性调查是否也能够衡量患者的满意度(但实际上没有)。因此，该团队着手使用一种类似的技术来评估是什么通过未经过滤的Yelp镜头推动设施的正面或负面体验。
Guntuku说：“我们认为这将为患者的体验提供大量的见识。”“利用用户生成的评论提供了一种理解其叙述的方式。”
为此，研究人员从SAMSHA认可的设施中撤回了至少经过五次审查的审查。整个美国共有500多家机构。然后，通过机器学习支持的自然语言处理算法来运行评论文本。通过这种方式，可以从评论中识别并收集主题。然后研究人员就可以按主题对它们进行分类。
