Transformer les commentaires des patients sur les réseaux...
Transcript of Transformer les commentaires des patients sur les réseaux...
0
Transformer les commentaires des patients sur les réseaux
sociaux en signaux fiables de veille sanitaire et de pharmacovigilance
Dr Stéphane Schück CEO Kappa Santé / Kap Code
1
Kappa Santé
CRO
Created in 2003, Kappa Santé is a CRO specialized in epidemiology, pharmacoepidemiology and in public and digital health interventions
2003
INNOVATION
2016
Using new technologies to identify solutions to public health issues
More than 120
studies
SME / 35 employees
2013 2014
W’ASM development
CONNECT’INH
development
2012
Detec’t development
A BRIEF HISTORY
2
GENERAL CONTEXT
MANY PEOPLE WRITE ABOUT THEIR EXPERIENCES ON DISCUSSION FORUMS, BLOGS, ETC.
THESE PLATFORMS ARE BECOMING IMPORTANT SOURCES OF INFORMATION1
55 million Internet users, i.e. 86% of the French population
32 million active social network users, i.e. 50% of French people 1. Golder S, Norman G, Loke YK. Systematic review on the prevalence, frequency and comparative value of adverse events data in social media. Br J Clin Pharmacol. 2015 Oct;80(4):878–88.
3
L’ESSOR DES RÉSEAUX SOCIAUX
4
« SOCIAL MEDIA » DANS PUBMED
0
500
1000
1500
2000
2500
3000
1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016
5
GOOGLE FLU TRENDS
• Naissance du health crowd sourcing • Lancé en 2008 • Interprétation des mots clés saisis dans
Google dans 29 pays • Arrêt du service en 2015
6
RÉSEAUX SOCIAUX ET SURVEILLANCE SANITAIRE
• Surveillances des maladies • Détection d’épidémies • Surveillance syndromique • Incidence de maladies • Crises sanitaires • Réactions à des campagnes de santé publique
7
LES BARBIERS DU SULTANAT D’OMAN
8
METHODES
9
THE DETEC’T CONCEPT
4 Lardon J, Abdellaoui R, Bellet F et al. Adverse Drug Reaction Identification and Extraction in Social Media: A Scoping Review. J Med Internet Res. 2015 Jul10;17(7):e171. doi: 10.2196/jmir.4304. Review. PubMed PMID: 26163365; PubMedCentral PMCID: PMC4526988. 5 Benton A, Ungar L, Hill S et al. Identifyin potential adverse effects using the web: a new approach to medical hypothesis generation. J Biomed Inform. 2011 Dec;44(6):989–96. 6 Feinaerer I, Hornik K, Meyer D. Text mining infrastructure in R. J Stat Softw. 2008 Mar;25(5):1–54.
KEYWORD ANALYSIS RESTITUTION
KEYWORD SEARCH
ON FORUMS AND
SOCIAL MEDIA
Collection of messages containing
the keyword
PREPROCESSING
IDENTIFICATION OF ADVERSE
EVENTS
SIGNAL DETECTION
PRESENTED IN
DETAILED REPORTS
MISUSE AND PROPER USE OF TREATMENTS
ADVERSE
EVENTS
DISEASE OBSERVAT
ION
ADHERENCE
STUDIES
COURSE OF CARE
1 0
Préparation du corpus
Sources de données
Doctissimo Atoute
Onmeda E-santé
Santé médecine Forum hardware
Alarme.asso Psychologie.aufemin
allodocteur
Extractions
- Recherche d’un mot-clé (nom commercial ou molécule)
- Utilisation d’un web crawler qui
parcourt les forums
- Extraction de l’ensemble des discussions d’intérêt
Identification des messages d’intérêt
- Détection au sein des messages
du mot-clé qui a été recherché lors de l’étape d’extraction
- recherche parmi les messages de
présence de la notion de prise du produit par l’internaute ou l’un
de ses proches
1 1
Détection des concepts médicaux
MedDRA
Enrichissement du thésaurus MedDRA à l’aide de vocabulaire patient
Concepts médicaux
Au sein des messages de prise, détection à partir du thésaurus MedDRA enrichi par du vocabulaire patient des concepts médicaux
effets indésirables potentiels
Catégorisation via une méthodologie de filtre et un algorithme de classification des concepts médicaux en deux catégories : effet indésirable / non effet indésirable
Exemple Il parait que le XXXX peut donner des tremblements, mais moi il m’a juste donné des nausées
Exemple Il parait que le XXXX peut donner des tremblements, mais moi il m’a juste donné des nausées
1 2
LES ALGORITHMES DETEC’T : ALGORITHME DE PRÉSENCE
• Objectif • identifier un nom de médicament ou un concept dans un
message
• Méthode • Détection du mot-clé qui a été recherché lors de l’étape
d’extraction depuis les forums. Inclusion de fautes d’orthographe afin d’identifier les erreurs les plus communément commises par les internautes.
• Le mot clé peut-être un nom de médicament, un concept médical ou un nom de pathologie
• Les messages identifiés constituent l’ensemble des messages de présence
Exemple J’ai une question par rapport au médicament Dolipran, est-ce que vous savez s’il faut le prendre en mangeant ?
1 3
LES ALGORITHMES DETEC’T : ALGORITHME DE PRISE
• Objectif • identifier la prise du produit au sein des messages
• Méthode • Lorsque le mot clé recherché est un médicament,
recherche parmi les messages de présence de la notion de prise du produit par l’internaute ou l’un de ses proches
Exemple Je prends du Plavix depuis 3 semaines. Contre exemple J’ai entendu parler du Plavix, vous connaissez ?
1 4
LES ALGORITHMES DETEC’T : DÉTECTION DES CONCEPTS
• Objectif • identifier les concepts médicaux présents au sein
des messages
• Méthode • Au sein des messages de prise, détection à partir
du thésaurus MedDRA enrichi par du vocabulaire patient des concepts médicaux
Exemple Il parait que le Seroplex peut donner des tremblements, mais moi il m’a juste donné des nausées
1 5
LES ALGORITHMES DETEC’T : ALGORITHME DE PERTINENCE
• Objectif • identifier les concepts médicaux qui sont des effets
indésirables potentiels du médicament étudié
• Méthode • Catégorisation via une méthodologie de filtre et un
algorithme de classification des concepts médicaux en deux catégories : effet indésirable / non effet indésirable
Exemple Il parait que le Seroplex peut donner des tremblements, mais moi il m’a juste donné des nausées
1 6
DETEC’T DATABASE
26,862,232 MESSAGES ANALYSED
12 YEARS OF DISCUSSIONS ANALYSED
36 FRENCH LANGUAGE SOURCES ANALYSED
485 MEDICINES ANALYSED
309 797 COUPLE DRUG - CONCEPT
299 FOOD SUPPLEMENTS
1 7
EXEMPLE
1 8
• Socrate • To pharmakon ((φάρμακον) • Le remède et le poison
• Hippocrate • Primum non nocere…deinde curare
• Une solution d’exploration des réseaux sociaux autour du médicament
De l’index de Socrate au pouce de Marck Zuckerberg
1 9
MÉTHODES DE DÉTECTION DE SIGNAL UTILISÉES
Distribution du CHI2 et du PRR pour un medicament X
Diarrhoea
Psoriasis
Infection
2 0
LEVOTHYROX
0
50
100
150
200
250
300
2007
-01.
120
07-0
3.2
2007
-06.
120
07-0
8.2
2007
-11.
120
08-0
1.2
2008
-04.
120
08-0
6.2
2008
-09.
120
08-1
1.2
2009
-02.
120
09-0
4.2
2009
-07.
120
09-0
9.2
2009
-12.
120
10-0
2.2
2010
-05.
120
10-0
7.2
2010
-10.
120
10-1
2.2
2011
-03.
120
11-0
5.2
2011
-08.
120
11-1
0.2
2012
-01.
120
12-0
3.2
2012
-06.
120
12-0
8.2
2012
-11.
120
13-0
1.2
2013
-04.
120
13-0
6.2
2013
-09.
120
13-1
1.2
2014
-02.
120
14-0
4.2
2014
-07.
120
14-0
9.2
2014
-12.
120
15-0
2.2
2015
-05.
120
15-0
7.2
2015
-10.
120
15-1
2.2
2016
-03.
120
16-0
5.2
2016
-08.
120
16-1
0.2
2017
-01.
120
17-0
3.2
2017
-06.
120
17-0
8.2
Distribution du nombre de messages associés au Levothyrox® 3939 messages - Observations mensuelles – 2007-2017
Août 2017
2 1
Veille de l’activité
0
50
100
150
200
250
300
2007
-01.
120
07-0
4.1
2007
-07.
120
07-1
0.1
2008
-01.
120
08-0
4.1
2008
-07.
120
08-1
0.1
2009
-01.
120
09-0
4.1
2009
-07.
120
09-1
0.1
2010
-01.
120
10-0
4.1
2010
-07.
120
10-1
0.1
2011
-01.
120
11-0
4.1
2011
-07.
120
11-1
0.1
2012
-01.
120
12-0
4.1
2012
-07.
120
12-1
0.1
2013
-01.
120
13-0
4.1
2013
-07.
120
13-1
0.1
2014
-01.
120
14-0
4.1
2014
-07.
120
14-1
0.1
2015
-01.
120
15-0
4.1
2015
-07.
120
15-1
0.1
2016
-01.
120
16-0
4.1
2016
-07.
120
16-1
0.1
2017
-01.
120
17-0
4.1
2017
-07.
1
Application de l'algorithme de veille sur les messages associés au Levothyrox® Observations bimensuelles, 2007-2017
Faible Moyenne Soutenue
1
10
100
1000
2016
-01.
1
2016
-02.
1
2016
-03.
1
2016
-04.
1
2016
-05.
1
2016
-06.
1
2016
-07.
1
2016
-08.
1
2016
-09.
1
2016
-10.
1
2016
-11.
1
2016
-12.
1
2017
-01.
1
2017
-02.
1
2017
-03.
1
2017
-04.
1
2017
-05.
1
2017
-06.
1
2017
-07.
1
2017
-08.
1
2017
-09.
1
Le volume de messages s'accroît subitement en août 2017 Echelle logarithmique
Faible Moyenne Soutenue
MODELISATION DE L’EVOLUTION TEMPORELLE DU VOLUME DE MESSAGES :
IDENTIFICATION DES PICS A L’AIDE D’UN MODELE DE MARKOV LATENT ET DE
CLASSIFICATION NON-SUPERVISÉE (KMEANS)
2 2
Evolution temporelles des déclarations d’effets indésirables
0
2
4
6
8
10
12
14
16
18
2002
-01
2002
-06
2002
-11
2003
-04
2003
-09
2004
-02
2004
-07
2004
-12
2005
-05
2005
-10
2006
-03
2006
-08
2007
-01
2007
-06
2007
-11
2008
-04
2008
-09
2009
-02
2009
-07
2009
-12
2010
-05
2010
-10
2011
-03
2011
-08
2012
-01
2012
-06
2012
-11
2013
-04
2013
-09
2014
-02
2014
-07
2014
-12
2015
-05
2015
-10
2016
-03
2016
-08
2017
-01
2017
-06
Crampes Maux de tête Vertiges Chute de cheveux
0
2
4
6
8
10
12
14
16
18
Crampes Maux de tête Vertiges Chute de cheveux
Evolution temporelle des déclarations d'effets indésirables Aires empilées
2 3
Détection de signaux – Nouveaux signaux 2017
2 4
USE AND OFF-LABEL USE
2004
2013
2 5
NEUROLEPTIQUES ET ANXIETE
2 6
Gold Standard - Annotation manuelle
• Annotation de 10 % des messages
Corpus Abilify 9 528 messages
Corpus Risperdal 3 868 messages
Annotation de 1000 messages : Troubles anxieux : 35
Démence : 0 TDAH : 0
Autisme : 1
Annotation de 400 messages : Troubles anxieux : 15
Démence : 0 TDAH : 0
Autisme : 0
2 7
Test du modèle - Troubles anxieux Abilify
GS
Oui Non
Détection automatique
Oui 34 138
Non 1 827
• GS Abilify : 1000 messages, 35 troubles anxieux
• Test de différents modèles
• Meilleures performances :
Indicateur valeur
Sensibilité 97 % Spécificité 86 % VPP 20 %
VPN 100 %
2 8
STILNOX Zolpidem
Effets indésirables
Interrogations
Prise en charge Sommeil
Antidépresseurs et interaction
Efficacité
Schéma de prise
Expérience Patient
• *Sources surveillées : Atoute, Doctissimo, Au féminin, E-santé, Santé médecine, Bebe patient, Patient Co UK, Steady Health, Planete santé, Creapharma, Futura Sciences…
Mai 2017
LES CHIFFRES-CLÉS 3 732 messages analysés 4 pays : France, Belgique, Suisse, Canada 6 médicaments concurrents surveillés 30 sources surveillées* 14 075 relations identifiées
ALTERNATIVES THÉRAPEUTIQUES
NUCTALON® NOCTAMIDE® STILNOX®
Date du message le plus ancien
x x 28 Décembre 2005
Maximum de messages observés
x x 349 Septembre 2007
0
50
100
150
200
ÉVOLUTION DU NOMBRE DE MESSAGES
THÈMES DES DISCUSSIONS
Autres
TOP 10 DES CONCEPTS MÉDICAUX
1 DÉPENDANCE
2 SOMNOLENC
E
3 DOULEUR
4 ANXIÉTÉ
8 STRESS
7 DÉPRESSION
6 HALLUCINATIO
N
5 FATIGUE
10 USAGE ABUSIF DE
MÉDICAMENTS OU DE PRODUITS
CHIMIQUES
9 ALCOOLISME
TOP 5 DES MÉDICAMENTS ASSOCIÉS
1 METOPROLOL
2 BISOPROPOL
3 ADENOSINE
4 SEROPLEX
5 LEXOMIL
DETEC’T PROPOSE
L’étude de l’observance du Stilnox® Identification des leviers d’observance
Identification des freins à la prise du produit
L’étude des effets indésirables rapportés par les internautes
Moment de la prise
SYNTHÈSE DES RÉSEAUX SOCIAUX
2 9
PHARMACOVIGILANCE OUTPUTS
Distribution du CHI2 et du PRR pour un medicament X
Diarrhoea
Psoriasis
Infection
3 0
La nouveauté en science
3 1
MERCI