ABSTRACT
Introduction La pandémie de COVID-19 a entrainé une masse d'informations sur les réseaux sociaux et forums provenant de multiples acteurs : gouvernements, journalistes ou encore citoyens. Parmi ces messages, de nombreux patients se sont saisis de ces outils pour partager leurs symptômes et se regrouper en communauté, comme c'est le cas des patients atteints de COVID long avec le hashtag #aprèsJ20. Un algorithme de traitement automatique du langage naturel capable d'identifier les messages constituant des expériences de santé vécues par des patients ou des proches permettrait d'exploiter ces données de vie réelle dans un objectif de santé publique. Méthodes A partir de différentes sources, 12 430 messages issus de forums et réseaux sociaux (Twitter, Facebook) ont été extraits sur différentes pathologies : cancer (sans précision d'une localisation), diabète, maladie de Fabry, COVID-19, sevrage tabagique. Ces messages ont été manuellement analysées et codifiées en trois catégories selon la nature de l'internaute : patient/aidant ou proche/répondant. Sur la base de ce « gold standard », un modèle de « machine learning » a été créé et entrainé, couplé avec des champs lexicaux marqueurs d'expériences vécues (par exemple, la présence d'un récit à la première personne ou du champ lexical de la famille). Deux modèles Xgboost ont été choisis permettant de déterminer en premier lieu si l'internaute est un proche de malade ou non, puis dans un second temps, si c'est un patient ou non. Pour être validé, ce modèle a été appliqué sur des messages spécifiques au COVID long. Une sélection aléatoire de ces messages couplée à une annotation par trois annotateurs a permis de mesurer les performances du modèle. Résultats Après application de l'algorithme d'identification d'expériences vécues par des patients ou des proches, 700 messages ont été revus et annotés sur le COVID long. Les catégories patients et aidants ont été regroupées en raison des nombreux cas de formes familiales de COVID long rapportés sur les réseaux sociaux. Les performances du modèle ont permis de mesurer une sensibilité de 96 %, une spécificité de 76 %, une « accuracy » à 87 % et une précision de 84 %. Conclusion Un algorithme identifiant les expériences vécues par des patients ou des proches au sein des messages issus des réseaux sociaux facilite leur utilisation comme données de vie réelle. Les bonnes performances de l'algorithme, notamment sur les formes longues de COVID-19, permettent un suivi prospectif de ces patients dans un objectif de santé publique. Une future version du modèle devra intégrer la possibilité d'identifier au sein d'un même message la présence d'expériences à la fois de patients et de proches, notamment en cas de formes familiales (”mon fils et moi avons un covid long ”). Déclaration de liens d'intérêts Les auteurs n'ont pas précisé leurs éventuels liens d'intérêts.
ABSTRACT
Introduction: Hyperlipasemia and its clinical significance in patients with COVID-19 (CoronavirusDisease 2019) has not been widely reported. Angiotensin-converting enzyme 2(ACE-2) receptors are expressed in the pancreas and a direct viral cytopathic effect resultingin pancreatic injury with SARS CoV-2 (Severe Acute Respiratory Syndrome Corona Virus-2) infection has been hypothesized. In this study, we present the largest retrospective cohortstudy to date, evaluating the significance of hyperlipasemia in patients with COVID-19.Methods: All hospitalized adults with a positive SARS CoV-2 PCR (Polymerase ChainReaction) test from March 09 to June 30, 2020, and a serum lipase level drawn on admissionwere included in our study. Hyperlipasemia is defined as a lipase level above the upperlimit of normal. Data was extracted from our electronic medical records. Statistical analysiswas performed using the SAS statistical software v. 9.4 (SAS Institute, Cary, NC, USA).Mean and standard deviations were generated for continuous variables. Frequencies andproportions were reported for categorical variables. The Student t test and the Chi-squaretest were performed for the analysis of continuous or categorical variables respectively. Alltests were 2-sided, with a statistical significance set at p < 0.05. The logistic regressionmodel was used to quantify the association between lipase levels and clinical outcomes suchas the need for mechanical ventilation and deathResults: There were a total of 900 COVID-19 positive patients, of which 282 (31.3%) hadhyperlipasemia on admission (Table 1). We compared patients with normal lipase withthose with hyperlipasemia. There were no significant differences observed between the twogroups in terms of demographic, comorbidities, presenting symptoms and widely reportedserological markers known to indicate disease severity in COVID-19. In our multivariableadjustedmodel (table 2), elevated lipase was not significantly associated with the need formechanical ventilation or in-hospital mortality. A majority of our patients had mild elevationin lipase levels. Additionally, individuals who had hyperlipasemia (49 patients 5.4%) exceeding3 times the upper limit of normal (>183 U/L), did not meet the diagnostic criteria foracute pancreatitis.Conclusion: Hyperlipasemia in COVID-19 patients was not associated with poor clinicaloutcomes such as prolonged hospital course, or need for mechanical ventilation, or death.Patients with significantly elevated lipase levels did not meet diagnostic criteria for acutepancreatitis. Our study raises a broad range of possibilities for elevated lipase in patientswith COVID-19, ranging from global hypoxemia, hypoperfusion of pancreas and bowel, inaddition to renal failure. However, hyperlipasemia was not a predictor of disease severityor clinical outcomes in COVID-19 patients.(Table Presented)(Table Presented)
ABSTRACT
Objectives: Social networks are recognized as a source of real-world data. The COVID-19 pandemic crisis has been an important topic covered on Twitter. Some users have created social bonding, while others have spread, knowingly or not, many fake news. Some media organizations (i.e. les Décodeurs du Monde) are known to list misinformations and fact checking. The goal of this study was to identify and characterize fake news shared on Twitter related to this pandemia. Methods: French tweets associated to COVID-19 and lockdown were retrieved by Twitter API between March and June 2020. Tweets containing fake news, listed by fact checking medias were identified by searching words sequences (N-gram) based on lexical fields of these news and misinformation. Posts associated to each fake news are clustered to be subsequently categorized and to identify and classify users spreading them and modelling their propagation network. The latter is based on retweeting fake news. Results: Among 2.5 million of extracted tweets, 20 fake news were identified by words sequences (intox/Buzyn/chloroquine, etc) and assembled into 5 groups. The biggest group (39%) refers to the potential involvement of the Buzyn/Lévy couple in the non-prescription of chloroquine. Focusing on this one, the propagation network shows that Agnès Buzyn and Didier Raoult hold the 2 most retweeted accounts. Several clusters of heterogeneous users, in terms of influence (number of followers, etc), have been identified. The majority of these users gravitated towards medias or reporters’ accounts. Over half of the tweets debunked this misinformation by sharing Les Décodeurs Du Monde’s report. Conclusions: The propagation network highlighted the different kinds of users spreading fake news and their existence on Twitter. An algorithm that can automatically detect health crisis misinformations, could help health authorities fight against them.