Dall’inizio della campagna vaccinale Covid-19 la popolazione è stata inondata da innumerevoli informazioni differenti e, alle volte, anche contrastanti tra loro. Questo ha provocato confusione, dubbi e preoccupazioni. L’attuale situazione ci mostra come alcuni Paesi – come Regno Unito e Stati Uniti – sono stati estremamente più rapidi di altri nell’organizzazione della campagna vaccinale, somministrando, a oggi, milioni di dosi in più rispetto ad altri.
Analizzando questi scenari si possono estrapolare diverse informazioni di interesse comune, come l’efficacia dei trattamenti utilizzati e gli effetti collaterali riscontrati dalla popolazione, basandosi non più solamente sui trial clinici, ma anche su dati provenienti da una platea molto più vasta ed eterogenea. Proprio per sfruttare al meglio questo bacino enorme di informazioni, il laboratorio di Intelligenza Artificiale dell’Università degli Studi di Udine, insieme ad alcuni partner internazionali, ha sviluppato un software, basato su tecniche di Intelligenza Artificiale.
Il prodotto realizzato è in grado di analizzare migliaia di tweet al giorno, estraendo gli effetti collaterali discussi in essi. In questo modo è possibile ricavare informazioni, come gli eventi avversi riscontrati o discussi più frequentemente dalla popolazione, dalla vastità di contenuti presenti sui social network. Questi luoghi di condivisione e di dibattito, ormai, sono sempre più presenti nelle nostre vite, ancor di più in questi periodi di lockdown e, per questo motivo, dobbiamo imparare a trarne più benefici comunitari possibili.
Farmacovigilanza e social network
La farmacovigilanza è il processo messo in atto dalle case farmaceutiche dopo l’immissione nel mercato di un medicinale (in questo caso di un vaccino) con l’obiettivo di monitorare gli effetti collaterali prodotti da esso. Questa operazione svolge un ruolo fondamentale per la salvaguardia della popolazione, ma al contempo rappresenta un’attività molto complicata. Il processo si compone di diverse analisi, tra le quali:
- quella di dati strutturati, più semplice ed automatizzabile, che comprende ad esempio il recupero di informazioni da questionari;
- indagini più complesse su dati non strutturati, le quali, allo stato attuale, vengono svolte per la maggior parte da esseri umani. In quest’ultima casistica ricade l’analisi dei messaggi condivisi sui social network.
Questi canali, attualmente, stanno cominciando ad essere sempre più utilizzati, sia per condividere effetti avversi che per informarsi riguardo un dato farmaco. È immaginabile che analizzare centinaia di migliaia di messaggi sia un compito alquanto impegnativo e, per risolvere questo problema, il team di studenti composto da Beatrice Portelli, Simone Scaboro, Edoardo Lenzi, Roberto Tonino e Gabriele Dominici, supervisionati da ricercatori internazionali, come Giuseppe Serra, Enrico Santus, Emmanuele Chersoni, Nicola Marino, Simone Bianco e Carlo Tasso, ha sviluppato un modello di Intelligenza Artificiale che permettesse di automatizzare questo processo. Con l’intento di dare il proprio contributo in questa tragica situazione che il mondo intero sta vivendo da oltre un anno, i ricercatori hanno deciso di dedicarsi proprio all’analisi dei tweet relativi ai vaccini, dando la possibilità a tutti di monitorare gli effetti collaterali maggiormente discussi su Twitter attraverso il sito web da loro realizzato.
Infatti, come spiega Enrico Santus: “Gli eventi avversi rappresentano un serio problema, che deve essere prontamente monitorato per ridurre i danni sui pazienti. Nel caso dei vaccini, inoltre, gli eventi avversi hanno anche effetti sociali – la gente perde fiducia nella soluzione di contrasto al virus e, non solo non si sottopone a vaccinazione, ma spesso la contrasta attivamente sui social media, con conseguenze devastanti”.
Effetti collaterali e opinioni più diffuse
Pfizer-BionTech, Moderna e Oxford-Astrazeneca sono i vaccini attualmente monitorati dal team di ricerca, dei quali si possono verificare i principali effetti collaterali discussi, con l’ulteriore possibilità di leggere direttamente i tweet pertinenti. Quest’ultimi sono anche caratterizzati da un colore, il quale indica l’accezione del messaggio. I testi evidenziati in verde hanno un significato positivo, quelli in rosso negativo, mentre quelli in grigio indicano tweet informativi. Al momento sono stati analizzati più di un milione di tweet in lingua inglese, riguardanti i sopracitati vaccini, dai quali si può notare come i principali eventi avversi più citati per Pfizer-BioNTech siano reazione allergica, mal di testa e braccio dolorante, mentre per AstraZeneca, ad esempio, coaguli, mal di testa e febbre.
Queste informazioni ci permettono di scoprire quali sono gli effetti collaterali più discussi, oltre alle maggiori preoccupazioni diffuse all’interno della popolazione.
Sul sito web è possibile, inoltre, visionare quali sono le principali fonti di informazione utilizzate dagli utenti, le notizie più condivise, ma anche gli hashtag più citati riguardanti i vaccini COVID-19.
Come funziona il modello utilizzato
Il sistema di Intelligenza Artificiale sviluppato recupera, ogni giorno, migliaia di tweet riguardanti i vaccini monitorati dal progetto (Pfizer-BioNTech, Moderna e Oxford-Astrazeneca), e ne analizza il contenuto. Il modello di Deep Learning che vaglia i messaggi alla ricerca di effetti collaterali è stato allenato in modo da poterli riconoscere sia che essi siano espressi con termini puramente medici che usando espressioni più informali. Se nel tweet vengono rilevati dei possibili eventi avversi questo viene catalogato, mettendo in luce gli effetti collaterali trovati all’interno. In questo modo i tweet scritti sotto forma di testo libero vengono trasformati in dati strutturati, più facilmente analizzabili ed aggregabili. Un esempio sono le rappresentazioni visive realizzate sul portale dal team di ricercatori, sfruttando tutte le potenzialità che i dati forniscono. Vengono infatti proposti grafici e mappe interattive utili alla corretta comprensione delle informazioni presenti. Inoltre, il modello sviluppato è attualmente al primo posto nella più famosa competizione in questo ambito: Social Media Mining for Health Applications (SMM4H) Shared Task 2019. Un’altra conferma dell’ottimo lavoro svolto è arrivata dalla comunità scientifica. Infatti, questo modello ha portato alla pubblicazione di due articoli in alcune delle più importanti conferenze del settore, EACL2021 e W3PHIAI, workshop di AAAI2021.
“Il contributo principale del progetto è quello di analizzare, aggregare e visualizzare informazioni che sarebbero difficilmente consultabili, così da dare una visione complessiva degli eventi, notizie, preoccupazioni, risorse condivise dagli utenti social”, spiega Giuseppe Serra.
Il caso AstraZeneca
Nell’ultimo mese si è parlato molto di un vaccino in particolare: Oxford-AstraZeneca. Questo, a causa di alcune morti sospette causate da eventi di natura tromboembolica avvenuti nei giorni seguenti alla somministrazione, ha ricevuto uno stop da parte delle principali nazioni europee.
L’11 marzo la Danimarca, e poi nei giorni successivi altre nazioni come la Germania, la Francia e l’Italia, hanno precauzionalmente dichiarato che avrebbero fermato la somministrazione del vaccino anglo-svedese, per indagare sulla morte di un operatore sanitario che, meno di 14 giorni prima, aveva ricevuto tale somministrazione. Non è stato l’unico caso di morte riscontrato in Europa causato da condizioni di trombosi e per questo motivo l’EMA (Agenzia Europea per i Medicinali) ha deciso di svolgere ulteriori analisi sull’effettiva sicurezza di questo vaccino. Tali indagini si sono concluse con una conferma sulla sua efficacia e affidabilità.
Ma che cosa è successo in quei giorni sui social? Quello che si può ricavare dai dati recuperati dai social network è un notevole incremento del dibattito sugli effetti collaterali. Analizzando gli eventi avversi, che il modello di Intelligenza Artificiale ha estrapolato dai tweet, si può notare come già nei mesi precedenti fossero stati citati, in maniera minima, questi tipi di disturbi. Tali discussioni erano presenti in modalità simili per entrambe le tipologie di vaccino precedentemente discusse, Pfizer-BioNTech e Oxford-Astrazeneca.
Questo è cambiato proprio l’11 marzo. In concomitanza alla notizia precedentemente citata, infatti, c’è stato un rialzo significativo dei tweet che trattavano gli eventi tromboembolici e, in particolare, coaguli sanguigni, facenti riferimento al vaccino anglo-svedese. Si è passati dai pochi casi dei giorni precedenti ad un numero di citazioni maggiore di due ordini di grandezza. Questo contando solo i dati riferibili al termine “coaguli sanguigni” e sinonimi, ai quali vanno sommati poi quelli relativi a “trombosi”. Prendendo come riferimento quest’ultimo lasso temporale, i messaggi inizialmente riprendevano le notizie relative al blocco delle somministrazioni, per poi spostarsi su dubbi, domande e preoccupazioni sul vaccino in esame. Dopo il comunicato dell’EMA il dibattito sembra essersi attenuato, ma continua ad essere portato avanti con la pubblicazione di nuove notizie ed analisi. I tweet inerenti a queste tematiche sono incrementati anche riguardo al vaccino Pfizer-BioNTech, ma in modo molto meno accentuato e nella maggior parte dei casi facevano riferimento al modo differente con cui i due vaccini sono stati trattati, pur avendo numeri simili riguardo a questo tipo di eventi. Questo caso mediatico, sorretto dall’incremento di casi tromboembolici rari, ma non da quelli più comuni, come si legge sul comunicato pubblicato dall’EMA, ha concentrato l’attenzione e il dibattito sui social su questa tematica. Sempre dai dati analizzati su Twitter, possiamo vedere come un avvenimento simile è successo negli ultimi giorni di dicembre, quando negli Stati Uniti è iniziata la campagna vaccinale attraverso la somministrazione di Pfizer-BioNTech.
In questo caso il dibattito si è incentrato principalmente sulle reazioni allergiche riscontrate in alcuni pazienti. Dopo alcuni giorni di dibattito e numerosi articoli della stampa, il numero di tweet riscontrati riguardante tale argomento ha iniziato a diminuire drasticamente per poi stabilizzarsi.
Conclusioni
Come spiega Nicola Marino: “L’evoluzione delle tecnologie dell’informazione e della comunicazione ha concesso un enorme potenziale in sanità l’acquisizione, l’elaborazione e la trasmissione delle informazioni afferenti alla salute cambieranno per sempre i modelli di cura. Le insidie, d’altronde, sono dietro l’angolo”.
Il sistema di monitoraggio è attualmente operativo e in continuo aggiornamento. Il primo passo, e anche il più naturale, è quello di ampliare il monitoraggio ai nuovi vaccini che stanno venendo approvati nel corso dei mesi. Ma gli studenti e i ricercatori coinvolti stanno già lavorando a un nuovo modulo basato su algoritmi di Deep Learning: sarà dedicato all’individuazione e all’analisi delle fake news e della disinformazione, fenomeni da sempre prolifici sui social e più che mai dannosi quando coinvolgono temi importanti come la salute e il benessere della comunità.
