Artificiell intelligens hittar odokumenterade biverkningar i viktminskningspennor

Pesquisadores från Universidade från Pensilvânia använde konstgjorda intelligensspråk för att analysera mer än 400 tusen inlägg från Reddit och identifiera symtom hos användare av viktminskningsmediciner som inte ingår i officiella broschyrer. Studien, publicerad i Nature Health, visade att vissa biverkningar som rapporterats av patienter inte upptäcktes i konventionella kliniska prövningar.

Undersökningen omfattade inlägg från cirka 70 tusen användare under mer än 5 år. Läkemedlen som analyseras inkluderar semaglutid och tirzepatid, som används i stor utsträckning för diabetes och viktminskning. Grandes-språkmodeller, såsom GPT och Gemini, bearbetade inläggen och klassificerade de beskrivna symptomen.

AI avslöjar odokumenterade symtom

Ciclos oregelbundna menstruationer, intermenstruella blödningar, frossa, värmevallningar, feberliknande förnimmelser och trötthet var bland de symtom som registrerades av användare på sociala medier. Esses biverkningar förekommer inte i dokumentation som tillhandahålls av tillverkare eller i traditionella kliniska prövningsrapporter.

Den tidigare svårigheten att analysera denna information låg i det faktum att patienter beskriver samma symtom på olika sätt. Artificiell intelligens har lyckats standardisera och identifiera mönster som konventionella metoder inte fångar upp.

Segundo Lyle Ungar, Sistemas Informação professor och studie medförfattare, kliniska prövningar identifierar ofta bara de farligaste biverkningarna. “Men de kanske inte kan identifiera vilka symtom som oroar patienterna mest. Embora sociala nätverk är inte nödvändigtvis representativa, ett stort antal inlägg kan återspegla ytterligare oro”, förklarade han i ett pressmeddelande.

Vantagem hastighetsdetektering

Metoden som forskarna föreslår erbjuder ett snabbare alternativ till traditionella kliniska prövningar. Essa-hastigheten är avgörande, särskilt när ett läkemedel övergår från nischanvändning till den vanliga marknaden nästan över en natt, vilket inträffade med semaglutid och tirzepatid.

Sharath Chandra Guntuku, forskningsdocent vid Ciência vid Computação och Informação vid Penn Engineering och senior författare till studien, betonade: “Denna lösning ersätter inte kliniska prövningar, men den kan vara mycket snabbare.”

Analysen gjorde det möjligt för forskare att extrahera värdefull information från online-gemenskaper utan att behöva långa byråkratiska processer. Reddit fungerade som en rik källa till verkliga rapporter från patienter som delar erfarenheter på ett organiskt sätt.

Próximos steg i forskning

Forskarna planerar att utöka analysen bortom Reddit och engelsktalande samhällen. Målet är att jämföra resultat mellan olika språk och regioner för att se om det finns liknande mönster i rapporterade biverkningar.

Essa geografisk och språklig expansion kan avslöja variationer i rapporterade symtom mellan olika populationer. Dados som samlats in på portugisiska, spanska, franska och andra språkspråkiga samhällen kan ge ytterligare information om säkerheten för dessa mediciner.

Leia Tambem

Oöverträffad värmebölja driver rekordtemperaturer i flera europeiska länder

Antropisk värdering når 965 miljarder dollar och överträffar OpenAI i AI Race

Amerikansk domstol vägrar att blockera Trumps verkställande order om brevröstning, men tillåter nya utmaningar

Resultaten kommer att delas med vårdpersonal för att varna patienter om biverkningar som inte rapporterats av traditionell vetenskap. Médicos kommer att kunna använda denna information för att bättre vägleda sina patienter om möjliga negativa upplevelser.

Impacto i läkemedelsövervakning

Studien visar hur artificiell intelligens kan komplettera traditionella farmaceutiska övervakningssystem. Agências Regulatorer i flera länder övervakar läkemedel efter att de har godkänts, men den nuvarande metoden kan vara långsam för att fånga alla biverkningar.

Det innovativa tillvägagångssättet banar väg för ett tidig varningssystem baserat på sociala mediers data. Quando många användare rapporterar ett specifikt symptom, algoritmer kan flagga potentiella biverkningar innan de blir ett betydande folkhälsoproblem.

Stora språkmodeller minskar också driftskostnaderna för analys. Anteriormente, att studera miljontals rapporter skulle kräva stora team av forskare att manuellt läsa varje inlägg. Agora, maskiner kan bearbeta data på en bråkdel av tiden.

Confiabilidade från sociala medier som en vetenskaplig källa

Embora sociala medier-data är inte representativa för den allmänna befolkningen, den enorma mängden inlägg ger värdefulla insikter. Usuários av Reddit, till exempel, delar ofta detaljerade och ärliga erfarenheter om mediciner.

Pacientes som rapporterar biverkningar tenderar att söka upp onlinegemenskaper för att validera sina erfarenheter och hitta stöd. Esses-utrymmen fungerar som naturliga laboratorier där människor beskriver verkliga symtom som upplevs dagligen.

Sociala mediers frivilliga och anonyma karaktär kan uppmuntra till mer ärlig rapportering jämfört med formella medicinska konsultationer, där patienter kan undanhålla information av olika anledningar.

Forskningen representerar ett betydande framsteg inom modern läkemedelsövervakning, och visar hur teknik kan förbättra upptäckten av biverkningar i ungefär realtid för läkemedel som ofta används av befolkningen.