تحلیل بیش از ۴۰۰ هزار نوشته در ردیت با استفاده از هوش مصنوعی، نشان میدهد مصرفکنندگان داروهای محبوب کاهش وزن و دیابت مانند اوزمپیک، ویگووی، مونجارو و زپباند، علائمی غیرمنتظره مثل تغییرات قاعدگی، لرز، گرگرفتگی و خستگی را هم گزارش کردهاند. البته پژوهشگران نمیتوانند بگویند که این داروها عامل بروز چنین مشکلاتی بودهاند، اما معتقدند الگوهای مشاهدهشده ممکن است نشانههایی کمتر مورد توجه قرارگرفته باشند که ارزش بررسی بیشتر دارند.
وبسایت ردیت (Reddit) یک تالار گفتگوی مجازی است که کاربرانش در انجمنهای موضوعی مختلف، تجربهها، پرسشها و نظرهای خود را منتشر میکنند.
هوش مصنوعی راه تازهای در اختیار پژوهشگران قرار داده است تا گفتههای افراد را درباره داروهای پرطرفدار گروه جیالپیــ۱ (GLP-1) بررسی کنند. به گزارش ساینسدیلی، در این راستا گروهی از دانشگاه پنسیلوانیا پس از تحلیل بیش از ۴۰۰ هزار مطلب در ردیت، در میان مصرفکنندگان سماگلوتاید، شامل اوزمپیک، ویگووی و ریبلسس و تیرزپاتاید شامل مونجارو و زپباند، چندین علامت را شناسایی کردند که در کارآزماییهای بالینی یا اطلاعات رسمی نهادهای نظارتی بهطور کامل بازتاب نیافتهاند.
این مطالعه که بهتازگی در نشریه نیچر هلت (Nature Health) منتشر شد، مطالب نزدیک به ۷۰ هزار کاربر ردیت را در بازهای بیش از پنج سال بررسی کرد و دو دسته از علائم را بیش از همه نیازمند بررسی بیشتر تشخیص داد؛ یکی علائم مرتبط با دستگاه تولیدمثل از جمله تغییر در چرخههای قاعدگی و دوم اختلالهای مربوط به تنظیم دمای بدن مانند لرز و گرگرفتگی.
البته این یافتهها ثابت نمیکنند که داروها باعث بروز این علائم شدهاند، با این حال پژوهشگران میگویند این مجموعه گسترده از گزارشهای خودجوش مصرفکنندگان ممکن است نشانههایی را آشکار کند که باید با دقت بیشتری بررسی شوند. شارات چاندرا گونتوکو، دانشیار پژوهشی علوم رایانه و اطلاعات در دانشکده مهندسی دانشگاه پنسیلوانیا و نویسنده ارشد مطالعه، میگوید: «برخی عوارضی که شناسایی کردیم، مانند حالت تهوع، کاملا شناختهشدهاند و همین موضوع نشان میدهد روش ما در حال شناسایی نشانههای واقعی است. علائمی که کمتر گزارش شدهاند، سرنخهاییاند که بدون طرح پرسش قبلی، مستقیم از سوی خود بیماران مطرح شدهاند و پزشکان میتوانند به آنها توجه کنند.»
کارآزماییهای بالینی برای تعیین اثربخشی داروها و شناسایی مشکلات ایمنی مهم طراحی میشوند، اما هنگامی که دارویی در جمعیتی بسیار گستردهتر مصرف میشود، این مطالعات لزوما نمیتوانند تمام علائمی را که برای بیماران اهمیت دارند، ثبت کنند. لایل آنگار، استاد علوم رایانه و اطلاعات و یکی از نویسندگان مطالعه، میگوید: «کارآزماییهای بالینی معمولا خطرناکترین عوارض جانبی داروها را شناسایی میکنند، اما ممکن است نتوانند علائمی را که بیش از همه موجب نگرانی بیماران میشوند، بیابند. هرچند کاربران شبکههای اجتماعی لزوما نماینده کل جامعه نیستند، مجموعه بزرگی از مطالب مجازی میتواند نگرانیهای دیگری را نیز بازتاب دهد.»
Read More
This section contains relevant reference points, placed in (Inner related node field)
استفاده از شبکههای اجتماعی برای شناسایی زودهنگام نشانهها
ایده جستوجو در گفتگوهای اینترنتی برای یافتن سرنخهایی درباره ایمنی داروها، پیش از رونق کنونی هوش مصنوعی نیز مطرح بود. آنگار سال ۲۰۱۱ در یکی از نخستین تلاشها برای استفاده از محتوای تولیدشده بهوسیله کاربران اینترنت بهمنظور شناسایی عوارض احتمالی داروها مشارکت داشت.
شبکههای اجتماعی میتوانند تجربههایی را ثبت کنند که بیماران با یکدیگر در میان میگذارند، اما ممکن است هیچگاه آنها را بهطور رسمی به پزشک، شرکت داروسازی یا نهاد نظارتی گزارش نکنند. آنگار میگوید: «جوامع آنلاین بیماران تقریبا مانند شبکه غیررسمی تبادل خبر در یک محله عمل میکنند. افرادی که این داروها را مصرف میکنند، بهصورت لحظهای تجاربشان را با یکدیگر در میان میگذارند؛ تجربههایی که بهندرت در ویزیت پزشک یا یک گزارش رسمی مطرح میشوند.»
این موضوع شبکههای اجتماعی را به منبعی بالقوه ارزشمند برای بررسی تاثیر داروها بر افراد در زندگی روزمره تبدیل کرده؛ هرچند دسترسی به دادههای این فضاها نیز همزمان دشوارتر شده است.
پژوهشگران تاکید میکنند که تحقیقات بالینی متعارف همچنان ضروریاند، اما هنگامی که میلیونها نفر مصرف دارویی را آغاز میکنند، گفتگوهای آنلاین میتوانند اطلاعات را بسیار سریعتر در اختیار پژوهشگران قرار دهند. گونتوکو میگوید: «کارآزماییهای بالینی معیار طلایی پژوهشاند، اما ذاتا فرایندی کند دارند. این روش جایگزین کارآزماییها نیست، ولی میتواند بسیار سریعتر عمل کند. مخصوصا هنگامی که یک دارو تقریبا یکشبه از محصولی محدود به دارویی فراگیر تبدیل میشود، این سرعت اهمیت بیشتری هم پیدا میکند.»
یکی از بزرگترین موانع این نوع پژوهش همواره حجم عظیم دادهها بوده است. گونتوکو این روش را «رصد اجتماعی محاسباتی» توصیف میکند؛ روشی که در آن از ابزارهای محاسباتی برای شناسایی الگوها در مجموعههای بزرگی از گفتگوهای آنلاین درباره سلامتی استفاده میشود. با این حال افراد بهندرت علائم خود را با اصطلاحات استاندارد پزشکی توصیف میکنند. مثلا ممکن است فردی بگوید بیش از حد احساس سرما میکند، شخص دیگری از لرز مداوم حرف بزند. بنابراین، پژوهشگران به روشی نیاز دارند که زبان روزمره را به دستهبندیهای استاندارد تبدیل کند.
در گذشته، تطبیق شمار عظیمی از مطالب غیررسمی در شبکههای اجتماعی با اصطلاحات پزشکی استاندارد مستلزم کار بسیار زیادی بود و حجم دادههای قابلتحلیل را در عمل محدود میکرد. اینک مدلهای زبانی بزرگ مانند جیپیتی (GPT) و جمنای (Gemini) این وضعیت را تغییر دادهاند، زیرا به پژوهشگران امکان میدهند حجم عظیمی از متن را سریعتر و با هماهنگی بیشتری پردازش و طبقهبندی کنند.
علائم غیرمنتظره در میان ۴۰۰ هزار مطلب
پژوهشگران تاکید میکنند که کاربران ردیت نماینده همه مصرفکنندگان داروهای جیالپیــ۱ نیستند. کاربران این فضا معمولا جوانترند، احتمال مرد بودن آنها بیشتر است و سهم ساکنان ایالات متحده در میانشان بهطور نامتناسبی، بالا است.
با وجود این محدودیت، نتایج نشانهای اطمینانبخش ارائه دادند که نشان میداد این روش توانسته است الگوهای واقعی را شناسایی کند. بسیاری از علائمی که کاربران ردیت درباره آنها صحبت کرده بودند، با عوارض شناختهشده سماگلوتاید و تیرزپاتاید مطابقت داشتند.
حدود ۴۴ درصد از کاربران بررسیشده در مطالعه، دستکم یک عارضه جانبی را توصیف کرده بودند و مشکلات گوارشی شایعترین موارد بودند؛ یافتهای که با حالت تهوع و دیگر مشکلات گوارشی شناختهشده این داروها مطابقت داشت.
موارد جالبتر، علائمی بودند که آنقدر تکرار شده بودند که توجه پژوهشگران را جلب کنند، اما ممکن است در برچسبها و بروشورهای کنونی داروها یا گزارشهای متعارف عوارض ناخواسته، به همان اندازه بازتاب نیافته باشند.
نزدیک به ۴ درصد از کاربرانی که عوارض جانبی را گزارش کرده بودند، از علائم مرتبط با دستگاه تولیدمثل سخن گفته بودند. این موارد عبارت بودند از تغییرات قاعدگی مانند خونریزی میان دو دوره، خونریزی شدید و نامنظم شدن چرخه قاعدگی. کاربران همچنین تغییراتی در تنظیم دمای بدن از جمله لرز، احساس سرمای غیرعادی، گرگرفتگی و علائمی شبیه تب را توصیف کردند.
خستگی نیز از دیگر یافتههای قابلتوجه بود و دومین شکایت پرتکرار در دادههای ردیت به شمار میرفت، در حالی که میزان گزارش آن در شمار نسبتا اندکی از کارآزماییهای بالینی، به حد نصاب تعیینشده برای ثبت رسمی رسیده بود.
چرا تغییرات قاعدگی و دمای بدن جالب توجهاند؟
یکی از دلایل احتمالی جلب توجه پژوهشگران به این گزارشها، نقش هیپوتالاموس است؛ ناحیهای کوچک اما بسیار مهم در مغز که در کنار وظایف متعدد دیگر، به تنظیم گرسنگی، هورمونها، عملکرد تولیدمثلی و دمای بدن کمک میکند.
جنا شا ترونیری، پژوهشگر ارشد مرکز اختلالات وزن و تغذیه دانشگاه پنسیلوانیا و یکی از نویسندگان مطالعه، میگوید: «تصور میشود این داروها با اثرگذاری بر بخشی از مغز به نام هیپوتالاموس عمل میکنند که به تنظیم طیف گستردهای از هورمونها کمک میکند. این موضوع لزوما به آن معنا نیست که داروها عامل بروز این علائماند، اما ممکن است نشان دهد گزارشهای مربوط به تغییرات قاعدگی و نوسان دمای بدن ارزش بررسی منظمتر را دارند.»
در حال حاضر، این گروه پژوهشی امیدوار است نتایج پژوهش دانشمندان و پزشکان را ترغیب کند به علائمی که بیماران بهطور مکرر در فضای آنلاین مطرح میکنند، توجه بیشتری نشان دهند. آنها همچنین قصد دارند تحلیل خود را به شبکههایی غیر از ردیت و جوامع غیرانگلیسیزبان هم گسترش دهند. این کار میتواند مشخص کند که آیا همین الگوها در میان گروههای مختلف مردم و در دیگر شبکههای اجتماعی نیز مشاهده میشوند یا خیر.
تحلیل سریع گفتگوهای آنلاین با استفاده از هوش مصنوعی در بلندمدت، میتواند به سامانهای برای شناسایی زودهنگام نگرانیهای نوظهور درباره داروها، مکملها و محصولات مرتبط با سلامتی تبدیل شود. بهویژه برای درمانهایی که محبوبیت آنها در فضای مجازی سریعتر از پیشرفت پژوهشهای متعارف، افزایش مییابد.
