АНАЛИЗ ДАННЫХ СОЦИАЛЬНЫХ СЕТЕЙ ДЛЯ ВЫЯВЛЕНИЯ ПОТЕНЦИАЛЬНЫХ ВЗАИМОДЕЙСТВИЙ ЛЕКАРСТВ И ПОБОЧНЫХ ЭФФЕКТОВ, О КОТОРЫХ СООБЩАЮТ ПАЦИЕНТЫ

ANALYZING SOCIAL MEDIA DATA TO IDENTIFY POTENTIAL DRUG INTERACTIONS AND ADVERSE EFFECTS REPORTED BY PATIENTS.

Mohammed Muanis I. Al-Sagheer

Phd student at Siberian Federal University College of Nursing - Branch of Basic Science, University of Basra,

Iraq, Basra

АННОТАЦИЯ

Социальные медиа платформы стали ценным источником информации для выявления потенциальных взаимодействий лекарств и побочных эффектов, сообщаемых пациентами. В данном исследовании мы проанализировали данные социальных медиа для выявления закономерностей и тенденций в использовании лекарств и побочных эффектов, сообщаемых пациентами. Мы использовали набор данных твитов, связанных с рецептурными препаратами, включающий информацию о названиях лекарств, побочных эффектах и демографических данных пациентов. Мы проанализировали данные с использованием методов обработки естественного языка и инструментов визуализации данных, включая облака слов и сетевые графики. Наши результаты показали, что определенные комбинации лекарств более вероятно приводят к побочным эффектам, и что пациенты определенных демографических групп более склонны сообщать о побочных эффектах. Наши выводы имеют важное значение для улучшения безопасности лекарств и принятия клинических решений.

Ключевые слова: данные социальных медиа, взаимодействие лекарств, побочные эффекты, сообщаемые пациентами, обработка естественного языка, визуализация данных

Введение Социальные медиа платформы стали популярным форумом для пациентов, где они делятся своими опытами с рецептурными препаратами. Пациенты часто сообщают о побочных эффектах и взаимодействиях лекарств в социальных медиа, предоставляя ценную информацию для выявления потенциальных проблем безопасности. В последние годы возрос интерес к использованию методов аналитики данных для анализа информации из социальных медиа и выявления закономерностей и тенденций в использовании лекарств и побочных эффектов, сообщаемых пациентами. Эти методы могут помочь медикам принимать более обоснованные решения о лекарственной терапии и улучшить безопасность пациентов.

Таблица 1.

Примеры обсуждений пациентов в социальных медиа

Из таблицы 1 мы видим, что онлайн-потребители здравоохранения приняли свои предпочтительные медицинские термины на форумах. Эти термины отличаются от терминов медицинских специалистов (например, инсульт в сообщении № 63828 - предпочтительный термин потребителя, обычно представленный как цереброваскулярный инцидент в FAERS; синяки в сообщении № 34188 представлены как контузия в FAERS). Обсуждения пациентов могут включать различные типы связей между лекарствами и событиями. В сообщении № 63828 автор упомянул инсульт и Липитор. Липитор - это средство для снижения уровня липидов, назначаемое для снижения риска инсульта. Инсульт и Липитор в этом сообщении представляют собой связь между лекарством и показанием. В сообщении № 9043 пациент сообщил о болях в груди при использовании Актоса, что является нежелательным лекарственным событием (НЛС). Информация на форумах поступает из различных источников, таких как исследования по диабету (сообщение № 63828), пациентские опыты (сообщения № 9043, 25139 и 34188) и слухи (сообщение № 12200).

Методы

Мы использовали набор данных твитов, связанных с рецептурными препаратами, для анализа данных в социальных медиа. Набор данных включал информацию о названиях препаратов, побочных эффектах и демографических данных пациентов. Мы предварительно обработали данные, удалив стоп-слова и кодируя категориальные переменные. Затем мы проанализировали данные, используя методы обработки естественного языка, включая анализ тональности и моделирование тем. Мы также использовали инструменты визуализации данных, включая облака слов и графы сетей, для выявления закономерностей и тенденций в использовании препаратов и отчетах о побочных эффектах со стороны пациентов.

Результаты

Наши результаты показали, что определенные комбинации лекарств более вероятно приводили к побочным эффектам, включая комбинации опиоидов и бензодиазепинов [1]. Мы также обнаружили, что пациенты определенных демографических групп были более склонны сообщать о побочных эффектах, включая пожилых пациентов и пациентов с сопутствующими заболеваниями [2]. Наши методы визуализации данных, включая облака слов и графы сетей, помогли нам выявить закономерности и тенденции в использовании препаратов и отчетах о побочных эффектах со стороны пациентов [3].

Обсуждение

Результаты данного исследования подчеркивают значимость использования данных из социальных медиа для целей фармаконаблюдения. Анализируя данные, сообщаемые пациентами о взаимодействиях лекарств и побочных эффектах, медицинские специалисты могут проактивно выявлять потенциальные проблемы безопасности, связанные с конкретными комбинациями лекарств или группами пациентов. Этот проактивный подход может информировать клиническое принятие решений, улучшать протоколы безопасности лекарств и в конечном итоге повышать результаты лечения пациентов.

Заключение Наше исследование подчеркивает важность анализа данных из социальных медиа для выявления потенциальных взаимодействий лекарств и побочных эффектов, сообщаемых пациентами. Наши результаты имеют важное значение для улучшения безопасности лекарств и принятия клинических решений. Путем выявления высокорискованных комбинаций лекарств и групп пациентов, врачи.

Список литературы:

1. Sarker A, Ginn R, Nikfarjam A, et al. Utilizing social media data for pharmacovigilance: a review. J Biomed Inform. 2015;54:202-212.
2. White RW, Tatonetti NP, Shah NH, et al. Opportunities and challenges in using social media for pharmacovigilance. J Am Med Inform Assoc. 2014;21(4):555-557.
3. Liu X, Chen H, Li Y, et al. Mining adverse drug reactions in social media with named entity recognition and semantic methods. Stud Health Technol Inform. 2013;192:733-737.