Pesquisadores daripada Universidade daripada Pensilvânia menggunakan bahasa kecerdasan buatan untuk menganalisis lebih daripada 400 ribu siaran daripada Reddit dan mengenal pasti gejala pada pengguna ubat penurunan berat badan yang tidak disertakan dalam risalah rasmi. Kajian yang diterbitkan dalam Nature Health, mendedahkan bahawa beberapa kesan buruk yang dilaporkan oleh pesakit tidak dikesan dalam ujian klinikal konvensional.
Penyelidikan meliputi siaran daripada kira-kira 70 ribu pengguna selama lebih daripada 5 tahun. Ubat yang dianalisis termasuk semaglutide dan tirzepatide, yang digunakan secara meluas untuk diabetes dan penurunan berat badan. Model bahasa Grandes, seperti GPT dan Gemini, memproses siaran dan mengelaskan simptom yang diterangkan.
AI mendedahkan gejala tidak berdokumen
Ciclos haid tidak teratur, pendarahan antara haid, menggigil, rasa panas, rasa seperti demam dan keletihan adalah antara simptom yang direkodkan pengguna di media sosial. Kesan sampingan Esses tidak muncul dalam dokumentasi yang disediakan oleh pengilang atau dalam laporan percubaan klinikal tradisional.
Kesukaran sebelumnya dalam menganalisis maklumat ini terletak pada fakta bahawa pesakit menggambarkan gejala yang sama dengan cara yang berbeza. Kecerdasan buatan telah berjaya menyeragamkan dan mengenal pasti corak yang tidak ditangkap oleh kaedah konvensional.
Segundo Lyle Ungar, Sistemas Informação profesor dan pengarang bersama kajian, ujian klinikal selalunya mengenal pasti kesan sampingan yang paling berbahaya sahaja. “Tetapi mereka mungkin tidak dapat mengenal pasti simptom mana yang paling membimbangkan pesakit. Rangkaian sosial Embora tidak semestinya mewakili, sebilangan besar jawatan mungkin mencerminkan kebimbangan tambahan,” jelasnya dalam kenyataan akhbar.
Pengesanan kelajuan Vantagem
Kaedah yang dicadangkan oleh penyelidik menawarkan alternatif yang lebih pantas kepada ujian klinikal tradisional. Kelajuan Essa adalah penting terutamanya apabila ubat bergerak dari penggunaan khusus ke pasaran arus perdana hampir semalaman, seperti yang berlaku dengan semaglutide dan tirzepatide.
Sharath Chandra Guntuku, profesor bersekutu penyelidikan di Ciência di Computação dan Informação di Penn Engineering dan pengarang kanan kajian itu, menekankan: “Penyelesaian ini tidak menggantikan ujian klinikal, tetapi ia boleh menjadi lebih pantas.”
Analisis tersebut membolehkan penyelidik mengekstrak maklumat berharga daripada komuniti dalam talian tanpa memerlukan proses birokrasi yang panjang. Reddit berkhidmat sebagai sumber yang kaya dengan laporan sebenar daripada pesakit yang berkongsi pengalaman secara organik.
Langkah Próximos dalam penyelidikan
Para penyelidik merancang untuk mengembangkan analisis melangkaui Reddit dan komuniti berbahasa Inggeris. Matlamatnya adalah untuk membandingkan hasil merentas bahasa dan wilayah yang berbeza untuk melihat sama ada terdapat corak yang sama dalam kesan sampingan yang dilaporkan.
Essa pengembangan geografi dan linguistik mungkin mendedahkan variasi dalam gejala yang dilaporkan antara populasi yang berbeza. Dados yang dikumpulkan dalam bahasa Portugis, Sepanyol, Perancis dan komuniti berbahasa lain mungkin memberikan maklumat tambahan tentang keselamatan ubat-ubatan ini.
Penemuan itu akan dikongsi dengan profesional penjagaan kesihatan untuk memberi amaran kepada pesakit tentang kesan sampingan yang tidak dilaporkan oleh sains tradisional. Médicos akan dapat menggunakan maklumat ini untuk membimbing pesakit mereka dengan lebih baik tentang kemungkinan pengalaman buruk.
Impacto dalam pemantauan ubat
Kajian itu menunjukkan bagaimana kecerdasan buatan boleh melengkapkan sistem pengawasan farmaseutikal tradisional. Pengawal selia Agências di beberapa negara memantau ubat selepas kelulusan mereka, tetapi metodologi semasa mungkin lambat untuk menangkap semua reaksi buruk.
Pendekatan inovatif membuka jalan kepada sistem amaran awal berdasarkan data media sosial. Quando ramai pengguna melaporkan simptom tertentu, algoritma boleh menandakan kesan sampingan yang berpotensi sebelum ia menjadi masalah kesihatan awam yang ketara.
Model bahasa yang besar juga mengurangkan kos operasi analisis. Anteriormente, mengkaji berjuta-juta laporan memerlukan pasukan penyelidik yang besar untuk membaca setiap siaran secara manual. Agora, mesin boleh memproses data dalam sebahagian kecil masa.
Confiabilidade daripada media sosial sebagai sumber saintifik
Data media sosial Embora tidak mewakili populasi umum, jumlah siaran yang banyak menawarkan cerapan berharga. Usuários daripada Reddit, sebagai contoh, sering berkongsi pengalaman terperinci dan jujur tentang ubat-ubatan.
Pacientes yang melaporkan kesan sampingan cenderung mencari komuniti dalam talian untuk mengesahkan pengalaman mereka dan mencari sokongan. Ruang Esses berfungsi sebagai makmal semula jadi di mana orang menggambarkan gejala sebenar yang dialami setiap hari.
Sifat sukarela dan tanpa nama media sosial mungkin menggalakkan pelaporan yang lebih jujur berbanding perundingan perubatan rasmi, di mana pesakit mungkin menahan maklumat atas pelbagai sebab.
Penyelidikan ini mewakili kemajuan ketara dalam farmakovigilans moden, menunjukkan bagaimana teknologi boleh meningkatkan pengesanan kesan sampingan dalam lebih kurang masa nyata untuk ubat-ubatan yang digunakan secara meluas oleh penduduk.