هوش مصنوعی سرنخ‌هایی تازه از عوارض داروهای لاغری کشف کرد

به گزارش هم‌میهن آنلاین به نقل از ایلنا، پژوهشگران دانشگاه پنسیلوانیا در مطالعه‌ای تازه نشان داده‌اند که مدل‌های زبانی بزرگ می‌توانند با تحلیل داده‌های شبکه‌های اجتماعی، سرنخ‌هایی از عوارض احتمالی داروها را زودتر از روش‌های سنتی شناسایی کنند.

در این پژوهش بیش از ۴۱۰ هزار پست منتشرشده در شبکه اجتماعی ردیت طی یک دوره شش‌ساله بررسی شد. هدف محققان شناسایی الگوهای مرتبط با داروهای مبتنی بر GLP‑۱ بود؛ داروهایی مانند اوزمپیک، ویگووی، مونجارو و زپ‌باند که در سال‌های اخیر به‌دلیل تأثیر قابل توجه در کاهش وزن و کنترل دیابت مورد توجه گسترده قرار گرفته‌اند.

برای تحلیل این حجم بزرگ از داده‌ها از مدل‌های GPT شرکت OpenAI استفاده شد. این مدل‌ها توانستند از میان هزاران شیوه‌ای که کاربران درباره تجربه مصرف این داروها صحبت کرده بودند، الگوهای مشترکی استخراج کنند؛ کاری که انجام آن به‌صورت دستی تقریباً غیرممکن است.

نتایج بررسی‌ها نشان داد در کنار عوارض شناخته‌شده‌ای مانند تهوع، دو دسته از علائم کمتر مورد توجه قرار گرفته‌اند: مشکلات مرتبط با سلامت باروری و تغییرات در چرخه قاعدگی، و همچنین اختلال در تنظیم دمای بدن مانند احساس سرما، لرز یا گرگرفتگی.

پژوهشگران تأکید می‌کنند که گزارش این علائم در ردیت لزوماً به معنای اثبات ارتباط مستقیم آنها با مصرف این داروها نیست، اما تکرار این الگوها در میان شمار زیادی از کاربران می‌تواند سرنخ‌هایی مهم برای تحقیقات پزشکی آینده فراهم کند.

به گفته محققان، آزمایش‌های بالینی همچنان معتبرترین روش برای ارزیابی ایمنی داروها هستند، اما این مطالعات معمولاً زمان‌بر و پرهزینه‌اند. در مقابل، تحلیل داده‌های آنلاین با کمک هوش مصنوعی می‌تواند تقریباً به‌صورت آنی انجام شود و هشدارهای اولیه‌ای در اختیار پژوهشگران قرار دهد.

با این حال، پژوهشگران یادآور شده‌اند که داده‌های ردیت نماینده کل جامعه نیست، زیرا کاربران این پلتفرم عمدتاً جوان‌تر و بیشتر مرد هستند. با وجود این محدودیت، آنها معتقدند ترکیب هوش مصنوعی با داده‌های گسترده آنلاین می‌تواند به ابزاری مکمل برای نظام سلامت تبدیل شود و به کشف سریع‌تر عوارض داروها و طراحی مطالعات دقیق‌تر کمک کند.

به کانال تلگرام هم میهن بپیوندید
به کانال بله هم میهن بپیوندید
به کانال روبیکا هم میهن بپیوندید