Exploitation de l’Intelligence Artificielle pour la détection de signaux de variations de poids liés aux traitements antidépresseurs dans les contenus en ligne générés par les utilisateurs
Langue Français
Langue Français
Auteur(s) : Yokoyama, Taïoh
Directeur(s) : Godet, Julien
Composante : PHARMA
Date de création : 30-06-2023
Résumé(s) : De nombreux témoignages rédigés par les patients sont disponibles librement sur le web et sont une source d’informations à haut potentiel à des fins de pharmacovigilance. Toutefois, ces données sont non structurées, complexes et massives, ce qui complique l’automatisation de leur analyse. Les outils d’intelligence artificielle se sont montrés prometteurs pour la réalisation de ces tâches. Nous avons réalisé une étude portant sur la détection de signaux de prises ou de pertes de poids liées à la prise de traitements antidépresseurs. La base de données collectée provient de quatre sites de santé et porte sur 32 antidépresseurs approuvés par la FDA. Le modèle DistilBERT mis à l’étude a obtenu un F1-score de 0,974, une exactitude de 0,973, une précision de 0,975 et une sensibilité de 0,973. Les modèles entraînés ont montré des résultats satisfaisants pour la détection d’effets indésirables à partir de témoignages rédigés par des patients sur des plateformes web., Numerous testimonials written by patients are freely available on the web and are a high-potential source of information for pharmacovigilance purposes. However, this data is unstructured, complex and massive, making it difficult to automate its analysis. Artificial intelligence tools have shown promise for carrying out these tasks. We carried out a study to detect signals of weight gain or loss associated with antidepressant treatment. The database collected came from four online health communities and covered 32 FDA-approved antidepressants. The DistilBERT model studied obtained an F1-score of 0.974, an accuracy of 0.973, a precision of 0.975 and a sensitivity of 0.973. The trained models showed satisfactory results for the detection of adverse reactions based on testimonials written by patients on web platforms.
Discipline : Pharmacie
Mots-clés libres : Antidépresseurs, Pharmacovigilance, Intelligence artificielle, Apprentissage automatique, Apprentissage machine, Web scrapping, Text mining, Traitement automatisé du langage, Pharmacovigilance, Antidépresseurs, Obésité, Machine learning, Web scrapping, Text mining, Natural language processing, Pharmacovigilance, Antidepressants, Obesity, 615
Couverture : FR
Directeur(s) : Godet, Julien
Composante : PHARMA
Date de création : 30-06-2023
Résumé(s) : De nombreux témoignages rédigés par les patients sont disponibles librement sur le web et sont une source d’informations à haut potentiel à des fins de pharmacovigilance. Toutefois, ces données sont non structurées, complexes et massives, ce qui complique l’automatisation de leur analyse. Les outils d’intelligence artificielle se sont montrés prometteurs pour la réalisation de ces tâches. Nous avons réalisé une étude portant sur la détection de signaux de prises ou de pertes de poids liées à la prise de traitements antidépresseurs. La base de données collectée provient de quatre sites de santé et porte sur 32 antidépresseurs approuvés par la FDA. Le modèle DistilBERT mis à l’étude a obtenu un F1-score de 0,974, une exactitude de 0,973, une précision de 0,975 et une sensibilité de 0,973. Les modèles entraînés ont montré des résultats satisfaisants pour la détection d’effets indésirables à partir de témoignages rédigés par des patients sur des plateformes web., Numerous testimonials written by patients are freely available on the web and are a high-potential source of information for pharmacovigilance purposes. However, this data is unstructured, complex and massive, making it difficult to automate its analysis. Artificial intelligence tools have shown promise for carrying out these tasks. We carried out a study to detect signals of weight gain or loss associated with antidepressant treatment. The database collected came from four online health communities and covered 32 FDA-approved antidepressants. The DistilBERT model studied obtained an F1-score of 0.974, an accuracy of 0.973, a precision of 0.975 and a sensitivity of 0.973. The trained models showed satisfactory results for the detection of adverse reactions based on testimonials written by patients on web platforms.
Discipline : Pharmacie
Mots-clés libres : Antidépresseurs, Pharmacovigilance, Intelligence artificielle, Apprentissage automatique, Apprentissage machine, Web scrapping, Text mining, Traitement automatisé du langage, Pharmacovigilance, Antidépresseurs, Obésité, Machine learning, Web scrapping, Text mining, Natural language processing, Pharmacovigilance, Antidepressants, Obesity, 615
Couverture : FR
Type : Thèse d'exercice, These d'exercice Unistra
Format : PDF
Source(s) :
Format : PDF
Source(s) :
- http://www.sudoc.fr/273754971
Entrepôt d'origine :
Identifiant : ecrin-ori-358947
Type de ressource : Ressource documentaire
Identifiant : ecrin-ori-358947
Type de ressource : Ressource documentaire