Evaluación de las menciones de eventos adversos de medicamentos en las redes sociales con procesamiento de lenguaje natural: desarrollo y análisis de modelos
Observamos una clara mejora en el modelo cuando utilizó información contextual. Sin embargo, nuestros resultados revelan una generalización débil de los sistemas actuales a datos no vistos. Se necesita investigación adicional para utilizar completamente los datos de las redes sociales y mejorar la solidez y confiabilidad de los sistemas de procesamiento del lenguaje natural. El análisis de contenido, por otro lado, mostró que Twitter cubría una gama suficientemente amplia de eventos adversos de medicamentos, así como reacciones adversas conocidas, para los medicamentos mencionados en los tweets. Nuestro trabajo demuestra que las redes sociales pueden ser una fuente de datos confiable para recopilar menciones de eventos adversos de medicamentos. JMIR Med Inform, 28 de septiembre de 2022;
Antecedentes: las reacciones adversas a los medicamentos atraen una gran preocupación tanto en la práctica clínica como en el control de la salud pública. Se han implementado múltiples medidas para aumentar la vigilancia posterior a la comercialización de los efectos adversos de los medicamentos y para mejorar la seguridad de los mismos. Estas medidas incluyen la implementación de sistemas de informes espontáneos y el desarrollo de sistemas automatizados de procesamiento de lenguaje natural basados en datos de registros de salud electrónicos y redes sociales para recopilar evidencia de eventos adversos de medicamentos que pueden investigarse más a fondo como posibles reacciones adversas.
Objetivo: si bien el uso de las redes sociales para recopilar evidencia de eventos adversos de medicamentos tiene potencial, no está claro si las redes sociales son una fuente confiable para esta información. Nuestro trabajo tiene como objetivo (1) desarrollar enfoques de procesamiento de lenguaje natural para identificar eventos adversos de medicamentos en las redes sociales y (2) evaluar la confiabilidad de los datos de las redes sociales para identificar eventos adversos de medicamentos.
Métodos: Proponemos un modelo de red de memoria a corto plazo colocado con agrupación atenta y representación contextual agregada generada por un modelo preentrenado. Aplicamos este modelo en datos de Twitter a gran escala para identificar tweets relacionados con eventos adversos de medicamentos. Realizamos un análisis de contenido cualitativo de estos tweets para validar la confiabilidad de los datos de las redes sociales como medio para recopilar dicha información.
Resultados: el modelo superó a una variante sin representación contextual durante las fases de validación y evaluación. A través del análisis de contenido de los tweets de eventos adversos por medicamentos, observamos que las discusiones relacionadas con los eventos adversos por medicamentos tenían 7 temas. Las discusiones sobre eventos adversos relacionados con la salud mental, el sueño y el dolor fueron las más frecuentes. También contrastamos las reacciones adversas conocidas a los medicamentos con las mencionadas en los tweets.
Conclusiones: Observamos una clara mejora en el modelo cuando utilizó información contextual. Sin embargo, nuestros resultados revelan una generalización débil de los sistemas actuales a datos no vistos. Se necesita investigación adicional para utilizar completamente los datos de las redes sociales y mejorar la solidez y confiabilidad de los sistemas de procesamiento del lenguaje natural. El análisis de contenido, por otro lado, mostró que Twitter cubría una gama suficientemente amplia de eventos adversos de medicamentos, así como reacciones adversas conocidas, para los medicamentos mencionados en los tweets. Nuestro trabajo demuestra que las redes sociales pueden ser una fuente de datos confiable para recopilar menciones de eventos adversos de medicamentos.
El artículo original
Yu D, Vydiswaran VGV. An Assessment of Mentions of Adverse Drug Events on Social Media With Natural Language Processing: Model Development and Analysis. JMIR Med Inform. 2022 Sep 28;10(9):e38140. doi: 10.2196/38140.