Pesquisadores von Universidade von Pensilvânia nutzte Sprachen der künstlichen Intelligenz, um mehr als 400.000 Beiträge von Reddit zu analysieren und Symptome bei Benutzern von Medikamenten zur Gewichtsabnahme zu identifizieren, die nicht in offiziellen Packungsbeilagen enthalten sind. Die in Nature Health veröffentlichte Studie ergab, dass einige von Patienten berichtete Nebenwirkungen in herkömmlichen klinischen Studien nicht festgestellt wurden.
Die Untersuchung umfasste Beiträge von etwa 70.000 Benutzern über einen Zeitraum von mehr als 5 Jahren. Zu den analysierten Medikamenten gehören Semaglutid und Tirzepatid, die häufig bei Diabetes und zur Gewichtsreduktion eingesetzt werden. Grandes-Sprachmodelle wie GPT und Gemini verarbeiteten die Beiträge und klassifizierten die beschriebenen Symptome.
KI deckt undokumentierte Symptome auf
Ciclos Unregelmäßige Menstruationsperioden, Zwischenblutungen, Schüttelfrost, Hitzewallungen, fieberähnliche Empfindungen und Müdigkeit gehörten zu den Symptomen, die von Nutzern in sozialen Medien aufgezeichnet wurden. Nebenwirkungen von Esses tauchen weder in der Dokumentation der Hersteller noch in herkömmlichen klinischen Studienberichten auf.
Die bisherige Schwierigkeit bei der Analyse dieser Informationen lag darin, dass Patienten dieselben Symptome auf unterschiedliche Weise beschreiben. Künstliche Intelligenz hat es geschafft, Muster zu standardisieren und zu identifizieren, die herkömmliche Methoden nicht erfassen.
Segundo Lyle Ungar, Sistemas Informação Professor und Co-Autor der Studie, klinische Studien identifizieren oft nur die gefährlichsten Nebenwirkungen. „Aber sie können möglicherweise nicht erkennen, welche Symptome die Patienten am meisten beunruhigen. Die sozialen Netzwerke von Embora sind nicht unbedingt repräsentativ, eine große Anzahl von Beiträgen spiegelt möglicherweise zusätzliche Bedenken wider“, erklärte er in einer Pressemitteilung.
Vantagem Geschwindigkeitserkennung
Die von den Forschern vorgeschlagene Methode bietet eine schnellere Alternative zu herkömmlichen klinischen Studien. Die Geschwindigkeit von Essa ist besonders dann von entscheidender Bedeutung, wenn ein Medikament fast über Nacht von der Nischenanwendung zum Mainstream-Markt gelangt, wie es bei Semaglutid und Tirzepatid der Fall war.
Sharath Chandra Guntuku, wissenschaftlicher Mitarbeiter bei Ciência bei Computação und Informação bei Penn Engineering und leitender Autor der Studie, betonte: „Diese Lösung ersetzt keine klinischen Studien, kann aber viel schneller sein.“
Die Analyse ermöglichte es den Forschern, wertvolle Informationen aus Online-Communities zu extrahieren, ohne dass langwierige bürokratische Prozesse erforderlich waren. Reddit diente als reichhaltige Quelle echter Berichte von Patienten, die ihre Erfahrungen auf organische Weise austauschen.
Próximos Schritte in der Forschung
Die Forscher planen, die Analyse über Reddit und englischsprachige Gemeinschaften hinaus auszuweiten. Ziel ist es, die Ergebnisse in verschiedenen Sprachen und Regionen zu vergleichen, um festzustellen, ob es ähnliche Muster bei den gemeldeten Nebenwirkungen gibt.
Die geografische und sprachliche Ausdehnung von Essa kann Unterschiede in den gemeldeten Symptomen zwischen verschiedenen Bevölkerungsgruppen offenbaren. Dados, das in Portugiesisch, Spanisch, Französisch und anderen Sprachgemeinschaften gesammelt wurde, kann zusätzliche Informationen über die Sicherheit dieser Medikamente liefern.
Die Ergebnisse werden mit medizinischem Fachpersonal geteilt, um Patienten vor Nebenwirkungen zu warnen, über die die traditionelle Wissenschaft nicht berichtet. Médicos wird diese Informationen nutzen können, um seine Patienten besser über mögliche unerwünschte Erfahrungen aufzuklären.
Impacto in der Medikamentenüberwachung
Die Studie zeigt, wie künstliche Intelligenz traditionelle pharmazeutische Überwachungssysteme ergänzen kann. Agências Aufsichtsbehörden in mehreren Ländern überwachen Arzneimittel nach ihrer Zulassung, die aktuelle Methodik kann jedoch langsam sein, um alle Nebenwirkungen zu erfassen.
Der innovative Ansatz ebnet den Weg für ein Frühwarnsystem auf Basis von Social-Media-Daten. Quando Viele Benutzer melden ein bestimmtes Symptom. Algorithmen können potenzielle Nebenwirkungen erkennen, bevor sie zu einem erheblichen Problem für die öffentliche Gesundheit werden.
Große Sprachmodelle reduzieren auch die Betriebskosten der Analyse. Anteriormente: Das Studium von Millionen von Berichten würde erfordern, dass große Forscherteams jeden Beitrag manuell lesen. Agora können Maschinen Daten in einem Bruchteil der Zeit verarbeiten.
Confiabilidade aus sozialen Medien als wissenschaftliche Quelle
Die Social-Media-Daten von Embora sind nicht repräsentativ für die allgemeine Bevölkerung, die riesige Menge an Beiträgen bietet wertvolle Erkenntnisse. Usuários oder Reddit tauschen beispielsweise häufig detaillierte und ehrliche Erfahrungen über Medikamente aus.
Pacientes, die über Nebenwirkungen berichten, neigen dazu, Online-Communities aufzusuchen, um ihre Erfahrungen zu bestätigen und Unterstützung zu finden. Esses-Räume fungieren als natürliche Labore, in denen Menschen reale Symptome beschreiben, die sie täglich erleben.
Der freiwillige und anonyme Charakter sozialer Medien kann zu einer ehrlicheren Berichterstattung im Vergleich zu formellen medizinischen Konsultationen führen, bei denen Patienten aus verschiedenen Gründen möglicherweise Informationen zurückhalten.
Die Forschung stellt einen bedeutenden Fortschritt in der modernen Pharmakovigilanz dar und zeigt, wie Technologie die Erkennung von Nebenwirkungen bei Arzneimitteln, die in der Bevölkerung weit verbreitet sind, nahezu in Echtzeit verbessern kann.