Рішення виявляти, класифікувати та повідомляти про нелегальний Інтернет-маркетинг та продаж контрольованих речовин через Twitter

Format
Scientific article
Publication Date
Published by / Citation
Mackey T, Kalyanam J, Klugman J, Kuzmenko E, Gupta R Solution to Detect, Classify, and Report Illicit Online Marketing and Sales of Controlled Substances via Twitter: Using Machine Learning and Web Forensics to Combat Digital Opioid Access J Med Internet Res 2018;20(4):e10029 URL: http://www.jmir.org/2018/4/e10029 DOI: 10.2196/10029 PMID: 29613851
Original Language

Англійська

Country
США
Keywords
online pharmacies
drug abuse
opioid abuse
machine learning
unsupervised machine learning
prescription drug misuse

Рішення виявляти, класифікувати та повідомляти про нелегальний Інтернет-маркетинг та продаж контрольованих речовин через Twitter

Абстрактні

Довідкова інформація: 6 і 7 грудня, 2017, Міністерство охорони здоров'я і людських послуг (HHS) провела свій перший код-a-Thon подією, спрямованої на використання технологій і даних на основі рішень, щоб допомогти боротьбі з опіоїдної епідемії. Автори — міждисциплінарна команда з академічних кіл, приватний сектор та АМЕРИКАНСЬКІ центри з контролю і профілактики захворювань — брали участь у коді-a-Thon як частина профілактичного треку.

Мета: Метою цього дослідження було розробити і розгорнути методологію з використанням машинного навчання, щоб точно виявити маркетинг і продаж опіоїдів незаконним Інтернет-продавців через щебетати в рамках участі в HHS опіоїд код-a-Thon події.

Методи: Tweets були зібрані з щебетати громадського програмування додатків інтерфейс потоку фільтрується за рецептом слів, опікоїдів в поєднанні з участю в коді-a-Thon з 15 листопада 2017 по 5 грудня 2017. Неконтрольованих машинного навчання-заснований підхід був розроблений і використаний під час Code-a-Thon конкуренції (24 години), щоб отримати резюме змісту Tweets ізолювати ці кластери, пов'язані з незаконним інтернет-маркетингу та продажу за допомогою bitерм тема моделі (BTM). Після ізоляції відповідних Tweets, гіперпосилання, пов'язані з цими твітів були розглянуті, щоб оцінити характеристики незаконних Інтернет-продавців.

Результати: Ми зібрали і проаналізували 213 041 Tweets протягом коду-a-Thon містять ключові слова кодеін, перперта, вікодин, оксиконтин, оксикодон, fentanyl, і гідрокодону. Використання BTM, 0,32% (692/213041) Tweets були виявлені як пов'язані з незаконним інтернет-маркетингу та продажу рецептурних опіоїдів. Після видалення дублікатів і мертвих посилань, ми визначили 34 унікальних "живих" Tweets, з 44% (15/34) направляє споживачів до незаконних Інтернет-аптек, 32% (11/34) пов'язані з індивідуальними продавцями наркотиків, і 21% (7/34) використовується маркетингу філій. На додаток до пропонуючи "без рецепта" продаж опіоїдів, багато хто з цих постачальників також продав інші контрольовані речовини і Незаконні наркотики.

Висновки: Результати цього дослідження знаходяться відповідно до досліджень, які визначили соціальні медіа-платформи, в тому числі Twitter, як потенційний канал для постачання і продажу незаконних опіоїдів. Щоб перекласти ці результати в дію, автори також розробили прототип каркас з метою виявлення, класифікації та звітності незаконних Інтернет-аптеки Tweets продажу контрольованих речовин, незаконно в США харчових продуктів і медикаментів і США правоохоронних органів агентства. Подальший розвиток рішень на основі цих методів має потенціал для завчасного оповіщення регуляторів і правоохоронних органів з незаконних опіоїдних продажів, а також робить Інтернет навколишнє середовище безпечніше для громадськості.

Share the Knowledge: ISSUP members can post in the Knowledge Share – Sign in or become a member

Share the Knowledge: ISSUP members can post in the Knowledge Share – Sign in or become a member