Web search trends on fibromyalgia: development of a machine learning model
Notice bibliographique
Résumé
OBJECTIVES: Fibromyalgia (FM) is a chronic pain condition characterised by widespread musculoskeletal pain, fatigue, and cognitive dysfunction. The growing reliance on the internet for health-related information has transformed how individuals seek medical knowledge, particularly for complex conditions like FM. This study aimed to analyse online search behaviours related to FM across multiple countries, identify temporal trends, and assess machine learning models for predicting search interest. METHODS: Google Trends data (2020-2024) were analysed across sixteen countries. Time-series analysis, linear regression, and the Mann-Kendall trend test assessed monotonic trends, while seasonal decomposition identified periodic fluctuations. An Auto-Regressive Integrated Moving Average (ARIMA) model forecasted search volumes for 2025. Machine learning models, including Random Forest (RF) and Extreme Gradient Boosting (XGBoost), were used to predict search trends, with feature importance evaluated using SHAP (Shapley Additive Explanations) values. RESULTS: Search interest in FM varied across countries, with China, the UK, the USA and Canada showing the highest engagement, while Peru, Spain and Turkey had the lowest. Brazil, Italy and the UK exhibited rising search trends, whereas Argentina, Canada, Greece and the USA showed declines. Seasonal analysis revealed mid-year peaks in Brazil and Italy, while Turkey saw late autumn increases. ARIMA forecasting predicted stable or increasing trends in Brazil, Canada and Mexico, while Germany and Venezuela showed slight declines. Machine learning analysis identified short-term search history (search volumes from the previous day, week, and month) as the most influential predictor. CONCLUSIONS: Understanding online search behaviour can enhance FM education. Targeted awareness campaigns and improved digital health literacy initiatives could sustain engagement and improve patient knowledge. Future efforts should focus on optimising online health resources and integrating evidence-based decision aids.
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 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».