Google Trends and Seasonal Patterns in Gout Infodemiology: Made More Crystal-Clear (Preprint)
Notice bibliographique
Résumé
BACKGROUND Gout is a common inflammatory arthritis with well-documented seasonal variation in flares. Understanding public interest in gout, as reflected in online behavior, can provide valuable insights into disease perception and management, particularly when tracking interest patterns over time and across different regions. OBJECTIVE To explore whether the public interest in gout, as measured by Google Trends data, exhibits seasonal patterns across countries, US states, and major metropolitan areas. Additionally, the study evaluates the impact of language-specific search terms on the observed seasonality of gout-related queries. METHODS This study utilizes Google Trends data from January 1, 2014, to October 1, 2024, to analyze the frequency of gout-related search queries. Data were collected from 70 countries, 50 US states, and 36 major cities in the US and Canada. Both direct searches for “gout” and symptom-based searches were included, along with queries in multiple languages. RESULTS The analysis revealed significant seasonal variation in gout-related search interest in 40 US states and 20 of the 70 countries analyzed, with peaks in the late spring/early summer for the Northern Hemisphere and corresponding shifts in the Southern Hemisphere. Symptom-based queries also displayed strong seasonality, aligning with known clinical patterns of gout flares. The use of language-specific search terms further refined the detection of seasonal patterns, strengthening the findings. CONCLUSIONS Public interest in gout, as reflected by Google search behavior, follows a clear seasonal pattern, mirroring the clinical seasonality of gout flares. This study highlights the utility of infodemiology as a supplementary tool for understanding public behavior and informing health communication strategies. Accounting for linguistic nuances enhances the precision of seasonality analysis, offering valuable insights for public health efforts aimed at improving disease management and patient education. CLINICALTRIAL N/A
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 | 0,001 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,004 | 0,010 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,017 | 0,005 |
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 ».