Using Twitter Data Analysis to Understand the Perceptions, Beliefs, and Attitudes about Pharmacotherapy Used in Rheumatology: An Observational Study
Notice bibliographique
Résumé
Twitter has become an important platform for disseminating information about rheumatology drugs by patients, health professionals, institutions, and other users. The aim of this study was to analyze tweets related to 16 drugs used in rheumatology, including their volume, content, and type of user (patients, patients' relatives, health professionals, health institutions, pharmaceutical industry, general press, scientific journals and patients' associations), and to detect inappropriate medical content. A total of 8829 original tweets were obtained, with a random sample of 25% of the total number of tweets for each drug (at least 100 tweets) analyzed. Methotrexate (MTX) accounted for a quarter of all tweets, and there were significant differences in the proportion of tweets issued according to the type of user. Patients and their relatives mainly tweeted about MTX, while professionals, institutions, and patient associations posted more about TNF inhibitors. In contrast, the pharmaceutical industry focused on IL-17 inhibitors. Medical content prevailed in all drugs except anti-CD20 and IL-1 inhibitors and the most discussed medical topic was efficacy, followed by posology and adverse effects. Inappropriate or fake content was found to be very low. In conclusion, the majority of the tweets were about MTX, which is a first-line treatment for several diseases. The distribution of medical content varied according to the type of user. In contrast to other studies, the amount of medically inappropriate content was very low.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».