Perspectives surrounding robotic total hip arthroplasty: a cross-sectional analysis using natural language processing
Notice bibliographique
Résumé
Background: Robotic technology has been used in total hip arthroplasty (THA) for several years. Despite the advances in this field, perspectives surrounding robotic THA are not fully understood. This study aimed to characterize the landscape of robotic THA on social media. Methods: The Twitter application programming interface was queried from inception to October 2022 for keywords related to THA and robotics. Posts and accounts were extracted and classified using thematic labels. Sentiment analysis was performed on the extracted tweets. Results: After removal of duplicate posts and illegitimate accounts, a total of 742 tweets from 741 accounts were retrieved. Most posts pertained to raising awareness about robotic THA (n = 340, 45.8%), advertisements for THA robots (n = 204, 27.5%), and personal experiences (n = 138, 18.6%). Research was discussed in 7.0% (n = 52) of posts. Most accounts belonged to patients or caregivers (n = 177, 23.9%), followed by medical centres (n = 175, 23.6%), news outlets (n = 158, 21.3%), and physicians or researchers (n = 101, 13.6%). Most posts discussing personal experience were positive (n = 70, 50.7%) or neutral (n = 39, 28.2%). Presence of media (β = 3.3, 95% confidence interval [CI] 1.5 to 5.1) and tagging (β = 2.1, 95% CI 0.3 to 2.8) positively affected user engagement, whereas the presence of a link decreased tweet engagement count by 2.8 (95% CI −5.4 to −0.2). Conclusion: Topics about robotic THA were discussed in a positive tone on Twitter (rebranded to X in 2023). Posts about raising awareness and advertisements for robotic THA were most prevalent, while research-related posts were limited. Orthopedic surgeons can leverage social media to better understand patient perspectives and glean insight from the robotic surgery industry. Contexte: La robotique est utilisée depuis plusieurs années pour l’arthroplastie totale de la hanche (ATH). Malgré les progrès réalisés dans ce domaine, on connaît encore mal l’opinion qu’elle suscite. La présente étude visait à dresser un tableau de l’ATH robotisée telle qu’on l’aborde sur les réseaux sociaux. Méthodes: L’interface de programmation d’application de Twitter a été analysée depuis sa création et jusqu’à octobre 2022 à partir de mots clés reliés à l’ATH et à la robotique. Les messages et les comptes ont été extraits et classés par thèmes et une analyse des sentiments a été effectuée à partir de ces messages. Résultats: Après élimination des doublons et des faux comptes, nous avons retenu en tout 742 messages provenant de 741 comptes. La plupart visaient à faire connaître l’ATH assistée par robot (n = 340, 45,8 %), faisaient la publicité pour des robots d’ATH (n = 204, 27,5 %) et relataient des expériences personnelles (n = 138, 18,6 %). La recherche était abordée dans 7,0 % (n = 52) des messages. Les comptes étaient principalement ceux de patientes ou patients ou de membres du personnel soignant (n = 177, 23,9 %), suivis des centres médicaux (n = 175, 23,6 %), des médias d’information (n = 158, 21,3 %) et du milieu médical ou scientifique (n = 101, 13,6 %). La majorité des messages concernant une expérience personnelle étaient positifs (n = 70, 50,7 %) ou neutres (n = 39, 28,2 %). La présence de médias d’information (β = 3,3, intervalle de confiance [IC] de 95 % 1,5 à 5,1) et le marquage (β = 2,1, IC de 95 % 0,3 à 2,8) ont exercé une influence positive sur l’engagement des utilisateurs, tandis que la présence d’un lien a eu l’effet contraire en réduisant l’engagement de 2,8 (95 % CI −5,4 à −0,2). Conclusion: Les thèmes entourant l’ATH assistée par robot ont fait l’objet de discussions favorables sur Twitter (devenu X en 2023). Les messages visant à en faire connaître l’existence ou à en faire la publicité étaient les plus nombreux, tandis que les messages portant sur la recherche étaient limités. Les orthopédistes peuvent mettre les médias sociaux à profit pour mieux comprendre le point de vue des malades et prendre le pouls de l’industrie.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».