Pesquisadores van Universidade van Pensilvânia gebruikte kunstmatige intelligentietalen om meer dan 400.000 berichten van Reddit te analyseren en symptomen te identificeren bij gebruikers van afslankmedicijnen die niet in officiële folders staan. Uit het onderzoek, gepubliceerd in Nature Health, bleek dat sommige door patiënten gerapporteerde bijwerkingen niet werden gedetecteerd in conventionele klinische onderzoeken.
Het onderzoek omvatte berichten van ongeveer 70.000 gebruikers gedurende meer dan vijf jaar. De geanalyseerde geneesmiddelen omvatten semaglutide en tirzepatide, die veel worden gebruikt voor diabetes en gewichtsverlies. Grandes-taalmodellen, zoals GPT en Gemini, verwerkten de berichten en classificeerden de beschreven symptomen.
AI onthult ongedocumenteerde symptomen
Ciclos onregelmatige menstruatie, intermenstruele bloedingen, koude rillingen, opvliegers, koortsachtige gevoelens en vermoeidheid behoorden tot de symptomen die gebruikers op sociale media registreerden. Esses-bijwerkingen komen niet voor in de documentatie van de fabrikanten of in traditionele klinische onderzoeksrapporten.
De eerdere moeilijkheid bij het analyseren van deze informatie lag in het feit dat patiënten dezelfde symptomen op verschillende manieren beschrijven. Kunstmatige intelligentie is erin geslaagd patronen te standaardiseren en te identificeren die conventionele methoden niet kunnen vastleggen.
Segundo Lyle Ungar, Sistemas Informação hoogleraar en co-auteur van het onderzoek, klinische onderzoeken identificeren vaak alleen de gevaarlijkste bijwerkingen. “Maar ze kunnen mogelijk niet identificeren welke symptomen patiënten het meest zorgen baren. De sociale netwerken van Embora zijn niet noodzakelijkerwijs representatief, een groot aantal berichten kan aanvullende zorgen weerspiegelen”, legde hij uit in een persbericht.
Vantagem snelheidsdetectie
De door de onderzoekers voorgestelde methode biedt een sneller alternatief voor traditionele klinische onderzoeken. De snelheid van Essa is van cruciaal belang, vooral wanneer een medicijn bijna van de ene op de andere dag van nichegebruik naar de reguliere markt gaat, zoals gebeurde met semaglutide en tirzepatide.
Sharath Chandra Guntuku, universitair hoofddocent bij Ciência bij Computação en Informação bij Penn Engineering en senior auteur van de studie, benadrukte: “Deze oplossing vervangt klinische onderzoeken niet, maar het kan veel sneller.”
Dankzij de analyse konden onderzoekers waardevolle informatie uit onlinegemeenschappen halen zonder de noodzaak van langdurige bureaucratische processen. Reddit diende als een rijke bron van echte rapporten van patiënten die op een organische manier ervaringen delen.
Próximos stappen in onderzoek
De onderzoekers zijn van plan de analyse uit te breiden buiten Reddit en Engelstalige gemeenschappen. Het doel is om de resultaten in verschillende talen en regio’s te vergelijken om te zien of er vergelijkbare patronen zijn in de gerapporteerde bijwerkingen.
Essa geografische en taalkundige expansie kan variaties in gerapporteerde symptomen tussen verschillende populaties aan het licht brengen. Dados verzameld in Portugese, Spaanse, Franse en andere taalsprekende gemeenschappen kan aanvullende informatie verschaffen over de veiligheid van deze medicijnen.
De bevindingen zullen worden gedeeld met beroepsbeoefenaren in de gezondheidszorg om patiënten te waarschuwen voor bijwerkingen die niet door de traditionele wetenschap worden gerapporteerd. Médicos zal deze informatie kunnen gebruiken om hun patiënten beter te begeleiden over mogelijke nadelige ervaringen.
Impacto bij medicatiemonitoring
De studie laat zien hoe kunstmatige intelligentie een aanvulling kan zijn op traditionele farmaceutische surveillancesystemen. Agências Regelgevers in verschillende landen monitoren geneesmiddelen na hun goedkeuring, maar de huidige methodologie kan traag zijn in het vastleggen van alle bijwerkingen.
De innovatieve aanpak maakt de weg vrij voor een systeem voor vroegtijdige waarschuwing op basis van gegevens uit sociale media. Quando veel gebruikers een specifiek symptoom melden, kunnen algoritmen potentiële bijwerkingen signaleren voordat deze een aanzienlijk probleem voor de volksgezondheid worden.
Grote taalmodellen verlagen ook de operationele kosten voor analyse. Anteriormente zou het bestuderen van miljoenen rapporten vereisen dat grote teams van onderzoekers elk bericht handmatig zouden lezen. Agora kunnen machines gegevens in een fractie van de tijd verwerken.
Confiabilidade van sociale media als wetenschappelijke bron
Embora sociale mediagegevens zijn niet representatief voor de algemene bevolking, de enorme hoeveelheid berichten biedt waardevolle inzichten. Usuários of Reddit delen bijvoorbeeld vaak gedetailleerde en eerlijke ervaringen over medicijnen.
Pacientes die bijwerkingen melden, zoeken vaak online communities om hun ervaringen te valideren en steun te vinden. Esses-ruimtes functioneren als natuurlijke laboratoria waar mensen echte symptomen beschrijven die ze dagelijks ervaren.
Het vrijwillige en anonieme karakter van sociale media kan eerlijkere berichtgeving bevorderen in vergelijking met formele medische consultaties, waarbij patiënten om verschillende redenen informatie kunnen achterhouden.
Het onderzoek vertegenwoordigt een aanzienlijke vooruitgang in de moderne geneesmiddelenbewaking en laat zien hoe technologie de detectie van bijwerkingen in ongeveer realtime kan verbeteren voor geneesmiddelen die op grote schaal door de bevolking worden gebruikt.