Leki z grupy agonistów receptora GLP-1, takie jak semaglutyd i tirzepatyd, należą dziś do najczęściej omawianych terapii w medycynie metabolicznej. Stosowane pierwotnie w leczeniu cukrzycy typu 2, szybko stały się także jednym z najważniejszych narzędzi terapeutycznych w leczeniu otyłości. Dynamiczny wzrost popularności tych leków sprawia jednak, że naukowcy coraz częściej poszukują nowych metod monitorowania ich bezpieczeństwa.
Jednym z najbardziej innowacyjnych podejść okazała się analiza mediów społecznościowych przy użyciu sztucznej inteligencji. Zespół badaczy z University of Pennsylvania przeanalizował ponad 400 tysięcy wpisów opublikowanych na Reddit przez blisko 70 tysięcy użytkowników, aby zidentyfikować działania niepożądane zgłaszane przez pacjentów stosujących leki GLP-1. Wyniki badania opublikowano w czasopiśmie Nature Health.
Z tego artykułu dowiesz się…
- W jaki sposób sztuczna inteligencja przeanalizowała ponad 400 000 postów na Reddicie, aby wykryć działania niepożądane zgłaszane przez pacjentów stosujących leki GLP-1, takie jak semaglutyd i tirzepatyd
- Jakie objawy zgłaszane przez użytkowników internetu mogą nie być w pełni uwzględnione w badaniach klinicznych i dokumentacji regulacyjnej tych leków
- Dlaczego badacze zwracają uwagę na zaburzenia cyklu menstruacyjnego oraz objawy związane z temperaturą ciała, które pojawiały się w analizowanych wpisach
- Jak analiza mediów społecznościowych wspierana przez duże modele językowe i metody „obliczeniowego nasłuchu społecznego” może wspierać przyszłe monitorowanie bezpieczeństwa leków
Sztuczna inteligencja jako narzędzie monitorowania bezpieczeństwa leków
Badanie przeprowadzone przez naukowców z Penn Engineering pokazuje, że analiza danych z mediów społecznościowych może dostarczyć nowych informacji na temat doświadczeń pacjentów stosujących popularne leki metaboliczne.
Niektóre ze skutków ubocznych, które zaobserwowaliśmy, takie jak nudności, są dobrze znane, co pokazuje, że metoda ta wychwytuje rzeczywisty sygnał – mówi Sharath Chandra Guntuku, adiunkt nauk komputerowych i informatycznych (CIS) na Penn Engineering i główny autor badania.
Jak podkreślają badacze, analiza obejmowała ponad pół dekady wpisów użytkowników Reddita, którzy dzielili się doświadczeniami związanymi z terapią semaglutydem i tirzepatydem. Dzięki zastosowaniu sztucznej inteligencji możliwe było przetworzenie ogromnej liczby danych oraz powiązanie potocznych opisów objawów z terminologią medyczną.
Media społecznościowe jako źródło wiedzy o działaniach niepożądanych
Internetowe społeczności pacjentów od lat stanowią nieformalną przestrzeń wymiany doświadczeń związanych z leczeniem. W przypadku szybko rosnącej popularności leków GLP-1 takie platformy mogą stanowić cenne źródło informacji o rzeczywistych doświadczeniach pacjentów.
Internetowe społeczności pacjentów działają jak lokalna poczta pantoflowa – mówi Lyle Ungar, profesor CIS i współautor badania. Osoby przyjmujące te leki wymieniają się ze sobą notatkami w czasie rzeczywistym, dzieląc się doświadczeniami, które rzadko trafiają do gabinetu lekarskiego lub oficjalnego raportu.
Badacze zaznaczają jednak, że dane z mediów społecznościowych nie mogą zastąpić badań klinicznych. Mogą natomiast stanowić dodatkowe narzędzie pozwalające szybciej identyfikować potencjalne sygnały bezpieczeństwa.
Badania kliniczne to złoty standard, ale z założenia są powolne – mówi Guntuku. Nie zastąpią one badań klinicznych, ale mogą przebiegać znacznie szybciej, a ta szybkość ma znaczenie, gdy lek z niszy staje się lekiem głównego nurtu niemal z dnia na dzień.
Jak sztuczna inteligencja analizowała posty użytkowników Reddita
Jednym z największych wyzwań w analizie danych z mediów społecznościowych jest ogromna różnorodność języka używanego przez pacjentów. Osoby opisujące swoje objawy rzadko używają terminologii medycznej stosowanej w dokumentacji klinicznej. Dlatego badacze wykorzystali duże modele językowe (LLM), które umożliwiły automatyczne dopasowanie opisów objawów do klasyfikacji stosowanej w MedDRA (Medical Dictionary for Regulatory Activities) – standardzie wykorzystywanym przez regulatorów i badaczy do opisu działań niepożądanych leków.
Duże modele językowe umożliwiły znacznie szybsze przeprowadzanie tego rodzaju analiz, przy zachowaniu poziomu standaryzacji, który wcześniej mógł być trudny do osiągnięcia – mówi Neil Sehgal, doktorant w CIS i pierwszy autor badania.
Podejście takie pozwoliło przeanalizować skalę danych, która jeszcze kilka lat temu byłaby praktycznie niemożliwa do opracowania.
Najczęściej zgłaszane działania niepożądane
Analiza postów wykazała, że około 44% użytkowników Reddita w badanej próbie zgłaszało co najmniej jeden skutek uboczny związany ze stosowaniem leków GLP-1. Najczęściej opisywane były dobrze znane działania niepożądane, przede wszystkim:
- dolegliwości ze strony przewodu pokarmowego,
- nudności,
- zaburzenia żołądkowo-jelitowe.
Co istotne, analiza potwierdziła również wysoki poziom zgłoszeń dotyczących zmęczenia, które w wielu badaniach klinicznych nie osiągało progów raportowania.
Nowe potencjalne sygnały bezpieczeństwa: układ rozrodczy i termoregulacja
Najbardziej interesującym elementem badania było jednak zidentyfikowanie objawów, które nie zawsze są szeroko omawiane w dokumentacji klinicznej leków GLP-1. Naukowcy wyróżnili dwie kategorie symptomów wymagających dalszych badań:
Objawy ze strony układu rozrodczego
Prawie 4% użytkowniczek Reddita zgłaszało zmiany w cyklu menstruacyjnym, takie jak:
- nieregularne miesiączki,
- krwawienia międzymiesiączkowe,
- obfite krwawienia.
Nie możemy powiedzieć, że GLP-1 faktycznie powoduje te objawy – zauważa Neil Sehgal. Ale prawie 4% użytkowniczek Reddita w naszej próbie zgłosiło nieregularne miesiączki, co byłoby jeszcze wyższym wynikiem w próbie obejmującej wyłącznie kobiety. Uważamy, że to sygnał wart zbadania.
Zaburzenia temperatury ciała
Drugą kategorią objawów były dolegliwości związane z termoregulacją, w tym:
- dreszcze,
- uczucie zimna,
- uderzenia gorąca,
- objawy przypominające gorączkę.
Badacze wskazują, że tego typu symptomy mogą mieć związek z mechanizmem działania leków GLP-1.
Uważa się, że leki te działają poprzez angażowanie części mózgu zwanej podwzgórzem , która pomaga regulować szeroką gamę hormonów – mówi Jena Shaw Tronieri, badaczka w Centrum Wagi i Zaburzeń Odżywiania Uniwersytetu Pensylwanii i współautorka badania. Nie oznacza to, że leki te są koniecznie przyczyną tych objawów, ale może to sugerować, że warto systematyczniej badać doniesienia o zmianach w cyklu menstruacyjnym i wahaniach temperatury ciała.
Ograniczenia analizy danych z mediów społecznościowych
Autorzy badania podkreślają, że analiza postów z Reddita nie pozwala na wyciąganie wniosków przyczynowo-skutkowych. Dane te mają przede wszystkim charakter sygnałów obserwacyjnych. Dodatkowo populacja użytkowników Reddita nie jest reprezentatywna dla całej populacji pacjentów. Użytkownicy tej platformy są zazwyczaj:
- młodsi,
- częściej płci męskiej,
- w dużej mierze pochodzą ze Stanów Zjednoczonych.
Mimo to skala analizowanych danych sprawia, że mogą one wskazywać nowe kierunki badań nad bezpieczeństwem leków.
Nowa rola sztucznej inteligencji w farmakowigilancji
Autorzy badania wskazują, że analiza mediów społecznościowych wspierana przez sztuczną inteligencję może w przyszłości stać się ważnym narzędziem w systemie monitorowania bezpieczeństwa leków. W szczególności dotyczy to substancji, które bardzo szybko zdobywają popularność wśród pacjentów.
Dyskusje prowadzone na platformach takich jak Reddit czy TikTok mogą być jednym z pierwszych sygnałów dotyczących rzeczywistych doświadczeń użytkowników leków, zwłaszcza w przypadku terapii stosowanych poza ścisłymi wskazaniami rejestracyjnymi.
Pacjenci wyraźnie o nich myślą i warto zwrócić na to uwagę – mówi Sehgal.
Główne wnioski
- Badanie opublikowane w Nature Health wykorzystało sztuczną inteligencję do analizy ponad 400 000 postów z Reddita publikowanych przez blisko 70 000 użytkowników, którzy dzielili się doświadczeniami związanymi z lekami GLP-1.
- Około 44% analizowanych użytkowników zgłaszało co najmniej jeden skutek uboczny terapii, najczęściej dotyczący układu pokarmowego, co potwierdza wcześniej znane działania niepożądane tych leków.
- Naukowcy zidentyfikowali również potencjalnie niedostatecznie zgłaszane objawy, w tym zaburzenia cyklu menstruacyjnego (ok. 4% użytkowniczek) oraz symptomy związane z termoregulacją, takie jak dreszcze i uderzenia gorąca.
- Zdaniem autorów badania analiza mediów społecznościowych wspierana przez duże modele językowe może stać się ważnym narzędziem w systemie wczesnego wykrywania sygnałów bezpieczeństwa leków, choć nie zastępuje badań klinicznych.
Źródło:
- https://www.nature.com/articles/s44360-026-00108-y
- University of Pennsylvania
