Sistema de Recomendação Baseado em Evidências para um Serviço de Análise de Publicações sobre COVID-19

O rápido crescimento das publicações sobre COVID-19 tem levado pesquisadores clínicos e profissionais de saúde a buscar reduzir a lacuna de conhecimento sobre informações confiáveis para soluções eficazes na pandemia. No entanto, a tarefa manual de recuperar publicações de alta qualidade com base nos níveis da pirâmide de evidências apresenta um grande gargalo nos fluxos de trabalho dos pesquisadores. Neste artigo, propomos um sistema de recomendação "baseado em evidências", denominado KnowCOVID-19, que utiliza um serviço de computação de borda para integrar módulos recomendadores para análise de dados usando thin-clients de usuários finais. O serviço de computação de borda apresenta uma interface web baseada em chatbot que lida com um determinado conjunto de dados de publicações sobre COVID-19 usando dois módulos de sistema de recomendação: (i) filtragem baseada em evidências que observa tópicos específicos de domínio na literatura e classifica as informações filtradas de acordo com uma categoria clínica, e (ii) filtragem social que permite que diversos especialistas com objetivos semelhantes colaborem por meio de um "plano social" para encontrar em conjunto respostas para questões clínicas críticas no combate à pandemia. Comparamos o Modelo de Tópicos Específicos de Domínio (DSTM) usado em nossa filtragem baseada em evidências com modelos de ponta considerando o conjunto de dados CORD-19 (um arquivo de publicações sobre COVID-19) e mostramos a eficácia de generalização aprimorada, bem como a eficácia da consulta de padrões de conhecimento. Além disso, realizamos um estudo comparativo entre um processo manual de revisão da literatura e o processo aumentado do KnowCOVID-19, e avaliamos os benefícios de nossas técnicas de recuperação de informações sobre consultas importantes fornecidas por especialistas clínicos em COVID-19.