هوش مصنوعی بار دیگر توانسته است به ابزاری قدرتمند برای کشف الگوهای پنهان در داده‌های عظیم تبدیل شود. در مطالعه‌ای تازه، محققان دانشگاه پنسیلوانیا با تحلیل بیش از ۴۰۰ هزار پست ردیت، عوارض جانبی احتمالی داروهای محبوب GLP-1 مانند اوزمپیک، وِگووی، مونجارو و زِپباند را شناسایی کرده‌اند که در کارآزمایی‌های بالینی به‌طور کامل ثبت نشده‌اند.
این پژوهش که به‌تازگی در مجله «Nature Health» منتشر شده، داده‌های بیش از پنج سال گفتگوهای حدود ۷۰ هزار کاربر ردیت را بررسی کرده است. هدف، یافتن علائمی بود که بیماران به‌صورت خودجوش گزارش می‌دهند اما ممکن است در اسناد رسمی داروها نادیده گرفته شده باشند.
مطالعه‌ای با مقیاس بی‌سابقه در داده‌های واقعی بیماران
محققان با استفاده از الگوریتم‌های پردازش زبان طبیعی و یادگیری ماشین، متن نوشته‌های کاربرانی را که مصرف سماگلوتید (ماده مؤثر اوزمپیک، وِگووی و رایبلسوس) یا تیرزپاتید (ماده مؤثر مونجارو و زِپباند) را گزارش کرده بودند، تحلیل کردند. این حجم عظیم از داده‌های دنیای واقعی، امکان شناسایی الگوهایی را فراهم می‌کند که در محیط کنترل‌شده آزمایشگاه‌ها کمتر دیده می‌شوند.
عوارضی که در کارآزمایی‌ها دیده نشد
دو دسته از علائم بیشتر از بقیه توجه محققان را جلب کرد: علائم مرتبط با سیستم تولیدمثل از جمله تغییرات چرخه قاعدگی، و مشکلات مرتبط با تنظیم دمای بدن مانند لرز و گرگرفتگی. این علائم در حالی از دل داده‌ها بیرون آمده‌اند که پیش‌تر در اطلاعات رسمی داروها یا برجسته نشده بودند یا به‌طور کامل نادیده گرفته شده بودند.
- تغییرات چرخه قاعدگی
- لرزهای غیرعادی
- گرگرفتگی
- خستگی مفرط
نکته جالب این است که برخی علائم شناخته‌شده مانند تهوع نیز در همین داده‌ها دیده شد که اعتبار روش تحلیل را تأیید می‌کند. به گفته «شارات چاندرا گونتاکو»، استاد پژوهشی علوم رایانه و اطلاعات در دانشگاه پنسیلوانیا و نویسنده ارشد این مطالعه: «برخی از عوارضی که پیدا کردیم مانند تهوع، کاملاً شناخته‌شده هستند و این نشان می‌دهد که روش ما سیگنال واقعی را دریافت می‌کند. عوارض گزارش‌نشده، سرنخ‌هایی هستند که مستقیماً از زبان بیماران و بدون پرسش مستقیم به دست آمده‌اند و پزشکان باید به آن‌ها توجه کنند.»
هشدار: علت‌شناسی نیازمند بررسی بیشتر
پژوهشگران تأکید می‌کنند که این یافته‌ها به معنای ایجاد این عوارض توسط داروها نیست. ماهیت مطالعه، مشاهده‌ای و مبتنی بر گزارش‌های خوداظهار است؛ بنابراین نمی‌توان رابطه علت و معلولی قطعی برقرار کرد. با این حال، این الگوها می‌توانند به عنوان سرنخ‌هایی برای طراحی پژوهش‌های بالینی آینده و نیز بازبینی اطلاعات ایمنی داروها مورد استفاده قرار گیرند.
در عصری که داده‌های سلامت به‌سرعت در فضای آنلاین تولید می‌شوند، هوش مصنوعی به پژوهشگران امکان می‌دهد تا صدای بیماران را در مقیاسی بی‌سابقه بشنوند و نادیده‌گرفته‌شده‌ترین جنبه‌های درمان را زیر ذره‌بین ببرند. این مطالعه گامی مهم در جهت پزشکی دقیق و نظارت بر ایمنی داروها پس از ورود به بازار است.
پرسش‌های پرتکرار
چرا هوش مصنوعی برای یافتن عوارض داروها استفاده می‌شود؟
هوش مصنوعی می‌تواند حجم عظیمی از داده‌های متنی مانند پست‌های شبکه‌های اجتماعی را پردازش کند و الگوهای پنهانی را بیابد که در کارآزمایی‌های بالینی کوچک یا با نمونه‌های محدود ممکن است دیده نشوند.
آیا نتایج این مطالعه نشان می‌دهد اوزمپیک باعث ایجاد عوارض گزارش‌شده می‌شود؟
خیر. محققان تأکید کرده‌اند که این مطالعه تنها الگوهایی از علائم را گزارش کرده است و برای اثبات رابطه علت و معلولی، نیاز به بررسی‌های بالینی دقیق‌تر وجود دارد.
