Utilisation de données du Web communautaire à des fins de surveillance de l’usage de médicaments

Use of social media Data for drug use surveillance

• Auteur / Autrice : Redhouane Abdellaoui
• Direction : Anita Burgun, Stéphane Schück
• Type : Thèse de doctorat
• Discipline(s) : Sciences de l'information biomédicale
• Date : Soutenance le 14/11/2018
• Etablissement(s) : Sorbonne université
• Ecole(s) doctorale(s) : École doctorale Pierre Louis de santé publique : épidémiologie et sciences de l'information biomédicale (Paris ; 2000-....)
• Partenaire(s) de recherche : Laboratoire : Centre de recherche des Cordeliers (Paris ; 2007-....)
• Jury : Président / Présidente : Marc Cuggia
• Jury : Examinateurs / Examinatrices : Sandra Bringay, Brigitte Seroussi
• Jury : Rapporteurs / Rapporteuses : Antoine Pariente, Bruno Falissard

Mots clés

Mots clés contrôlés

Web 2.0

Apprentissage automatique

Exploration de données

Pharmacovigilance

Mots clés libres

Pharmacovigilance

Adhérence

Text Mining

Traitement automatique du langage naturel

Apprentissage automatique

Web 2.0

Pharmacovigilance

Adhesion

Text Mining

Automatic Natural Language Processing

Automatic Learning

Web 2.0

Résumé

La pharmacovigilance souffre d’une sous notification chronique des effets indésirables de la part des professionnels de santé. La FDA (US Food and Drug Administration), l’EMA (European Medicines Agency), et d’autres agences sanitaires, suggèrent que les réseaux sociaux pourraient constituer une source de données supplémentaire pour la détection de signaux faibles de pharmacovigilance. L’OMS (Organisation Mondiale de la Santé) a publié un rapport en 2003 exposant le problème que pose la non-observance au traitement sur le long terme et son caractère préjudiciable à l’efficacité des systèmes de santé au niveau mondial. Les données nécessaires à la mise au point d’un système d’extraction d’informations de santé depuis les forums de patients sont mise à disposition par la société́ Kappa Santé. La première approche proposée s’inscrit dans un contexte de détection de cas de pharmacovigilance à partir d’échanges entre patients sur des forums de santé. Nous proposons un filtre basé sur le nombre de mots séparant le nom du médicament évoqué dans le message du terme considéré́ comme un potentiel effet indésirable. Nous proposons une seconde approche basée sur les « topic models » afin de cibler les groupes de messages abordant les thèmes traitant de non-observance. En terme de pharmacovigilance, le filtre gaussien proposé permet d’identifier 50.03% des faux positifs avec une précision de 95.8% et un rappel de 50%. L’approche de détection de cas de non-observance permet l’identification de ces derniers avec une précision de 32.6% et un rappel de 98.5%.

Pharmacovigilance suffers from chronic underreporting of drug's adverse effects from health professional's part. The FDA (US Food and Drug Administration), The EMA (European Medicines Agency), and other health agencies, suggest that social media could constitute an additional data source for detection of weak pharmacovigilance signals. The WHO (World Health Organization) published a report in 2003 outlining the problem of non-compliance with treatment over long term and its prejudicial effectiveness on health systems worldwide. The necessary data for development of an information extraction system from patient's forums are made available by the company Kappa Sante. The first proposed approach fits into a context of pharmacovigilance case detection from patient's online discussions on health forums. We propose a filter based on the number of words separating the name of the mentioned drug in the message from the term considered as a potential adverse effect. We propose a second approach based on topic models to target groups of messages addressing topics dealing with non-compliance. In terms of pharmacovigilance, the proposed Gaussian filter identifies 50.03% of false positives with a precision of 95.8% and a recall of 50%. The case detection approach of non-compliance allows the identification of messages describing this kind of behaviors with a precision of 32.6% and a recall of 98.5%.