Solution pour détecter, classer et signaler le marketing et la vente illicites de substances réglementées en ligne via Twitter

Format
Scientific article
Publication Date
Published by / Citation
Mackey T, Kalyanam J, Klugman J, Kuzmenko E, Gupta R Solution to Detect, Classify, and Report Illicit Online Marketing and Sales of Controlled Substances via Twitter: Using Machine Learning and Web Forensics to Combat Digital Opioid Access J Med Internet Res 2018;20(4):e10029 URL: http://www.jmir.org/2018/4/e10029 DOI: 10.2196/10029 PMID: 29613851
Original Language

Anglais

Country
États-Unis
Keywords
online pharmacies
drug abuse
opioid abuse
machine learning
unsupervised machine learning
prescription drug misuse

Solution pour détecter, classer et signaler le marketing et la vente illicites de substances réglementées en ligne via Twitter

Abstrait

Contexte : Les 6 et 7 décembre 2017, le Département américain de la santé et des services sociaux (HHS) a organisé son premier événement Code-a-Thon visant à tirer parti des solutions technologiques et axées sur les données pour aider à lutter contre l’épidémie d’opioïdes. Les auteurs — une équipe interdisciplinaire du milieu universitaire, du secteur privé et des Centers for Disease Control and Prevention des États-Unis — ont participé au Code-a-Thon dans le cadre de la piste de prévention.

Objectif: L’objectif de cette étude était de développer et de déployer une méthodologie utilisant l’apprentissage automatique pour détecter avec précision la commercialisation et la vente d’opioïdes par les vendeurs illicites en ligne via Twitter dans le cadre de la participation à l’événement HHS Opioid Code-a-Thon.

Méthodes: Des tweets ont été recueillis à partir du flux d’interface de programmation d’applications publiques twitter filtré pour les mots clés d’opioïdes d’ordonnance courants en même temps que la participation au Code-a-Thon du 15 novembre 2017 au 5 décembre 2017. Une approche non supervisée basée sur l’apprentissage automatique a été développée et utilisée pendant le concours Code-a-Thon (24 heures) pour obtenir un résumé du contenu des tweets afin d’isoler les clusters associés au marketing et à la vente en ligne illégaux à l’aide d’un modèle de sujet biterm (BTM). Après avoir isolé les tweets pertinents, les hyperliens associés à ces tweets ont été passés en revue afin d’évaluer les caractéristiques des vendeurs illégaux en ligne.

Résultats: Nous avons recueilli et analysé 213 041 tweets au cours du Code-a-Thon contenant des mots clés codéine, percocet, vicodine, oxycontin, oxycodone, fentanyl et hydrocodone. À l’aide de BTM, 0,32 % (692/213 041) ont été identifiés comme étant associés à la commercialisation en ligne illégale et à la vente d’opioïdes d’ordonnance. Après avoir supprimé les doublons et les liens morts, nous avons identifié 34 tweets « en direct » uniques, 44 % (15/34) orientant les consommateurs vers les pharmacies illicites en ligne, 32 % (11/34) liés à des vendeurs de drogues individuels et 21 % (7/34) étant utilisés par les sociétés de marketing. En plus d’offrir la vente « sans ordonnance » d’opioïdes, bon nombre de ces vendeurs ont également vendu d’autres substances réglementées et des drogues illicites.

Conclusions: Les résultats de cette étude sont conformes aux études antérieures qui ont identifié les plateformes de médias sociaux, y compris Twitter, comme un canal potentiel pour l’approvisionnement et la vente d’opioïdes illicites. Pour traduire ces résultats en action, les auteurs ont également mis au point un prototype de wireframe aux fins de la détection, de la classification et de la déclaration de tweets illicites en ligne de pharmacie vendant illégalement des substances contrôlées à la Food and Drug Administration des États-Unis et à la Drug Enforcement Agency des États-Unis. La poursuite du développement de solutions fondées sur ces méthodes pourrait alerter de façon proactive les organismes de réglementation et les organismes d’application de la loi des ventes illégales d’opioïdes, tout en rendant l’environnement en ligne plus sûr pour le public.