Utilisation de grands modèles de langage pour évaluer les perceptions publiques autour des agonistes des récepteurs du peptide-1 similaire au glucagon sur les médias sociaux
Dans le monde entier, la tendance à l’obésité est en constante augmentation, ce qui a des répercussions importantes sur la santé publique. L’obésité est indépendamment associée à une incidence accrue de maladies cardiovasculaires et à une mortalité plus élevée, avec une charge économique pour les systèmes de santé estimée à plus de 200 milliards de dollars chaque année. Ces dernières années, les agonistes du récepteur du glucagon-like peptide-1 (GLP-1) sont devenus des traitements révolutionnaires pour la perte de poids et la réduction des risques cardiovasculaires, indépendamment du diabète. Dans ce contexte, Sulaiman Somani, Sneha S. Jain, Ashish Sarraju, Alexander T. Sandhu, Tina Hernandez-Boussard et Fatima Rodriguez de l’Université de Stanford ont mené une étude sur la perception publique des agonistes du récepteur GLP-1 sur les réseaux sociaux, et ont publié leurs résultats dans Communications Medicine en 2024.
L’étude a utilisé de grands modèles linguistiques pour analyser plus de 390 000 discussions sur Reddit concernant les agonistes du récepteur GLP-1. Les résultats montrent un intérêt public élevé pour ce traitement, avec des discussions centrées principalement sur l’expérience de la perte de poids avec les agonistes du récepteur GLP-1, la comparaison des effets secondaires entre différents GLP-1 RA et autres thérapies, les problèmes d’accès et d’approvisionnement en GLP-1 RA, ainsi que les effets psychologiques positifs associés à l’utilisation des GLP-1 RA et à la perte de poids correspondante. Il est important de noter que ces discussions étaient en grande partie neutres à positives sur le plan émotionnel.
Les méthodes de recherche comprenaient la curation des données, la modélisation thématique et l’analyse des sentiments. Au stade de la collecte des données, les chercheurs ont utilisé une API appelée PullPush pour rassembler toutes les discussions sur Reddit concernant les agonistes du récepteur GLP-1. Lors de la phase de modélisation thématique, un modèle basé sur l’architecture des encodeurs bidirectionnels de type Transformer (BERT) préentraîné a été utilisé pour intégrer les discussions, en réduisant la complexité dimensionnelle et en utilisant un algorithme de regroupement basé sur la densité pour diviser les sujets de discussion. Pour l’analyse des sentiments, un modèle BERT préentraîné a été utilisé pour classifier les émotions des messages sur les réseaux sociaux.
Les résultats de l’étude ont révélé que les sujets discutés sur Reddit concernant les agonistes du récepteur GLP-1 étaient au nombre de 168 et ont été regroupés en 33 clusters, couvrant des thèmes allant de l’efficacité du médicament, la comparaison des effets secondaires, les moyens d’obtention jusqu’à des attitudes positives. L’analyse des sentiments a montré que 31,8% des messages exprimaient des émotions négatives, 50,1% étaient neutres, et 17,4% exprimaient des sentiments positifs.
Les conclusions de l’étude soulignent l’énorme intérêt du public pour les agonistes du récepteur GLP-1 et suggèrent des mesures d’intervention en santé publique potentielles comme le suivi des effets secondaires du médicament, l’amélioration de l’accès aux médicaments et la reconnaissance des bénéfices psychologiques et physiques de ces médicaments dans la gestion du poids. Grâce aux grands modèles de langage et aux processus de modélisation thématique basés sur l’intelligence artificielle (IA), l’étude fournit un outil efficace pour explorer les sentiments du public sur les réseaux sociaux et orienter les recherches futures et les efforts de santé publique.
L’article publié dans Communications Medicine met en lumière le potentiel des données issues des réseaux sociaux dans les recherches en santé, et démontre l’efficacité des grands modèles de langage dans le traitement et l’analyse des données texte non structurées à grande échelle. Cela illustre encore plus l’importance de comprendre les perceptions des patients pour guider