ABSTRAK

Latar Belakang: Pada tanggal 6 dan 7 Desember 2017, Departemen Kesehatan dan Layanan Kemanusiaan AS (HHS) menyelenggarakan acara Code-a-Thon pertamanya yang bertujuan memanfaatkan teknologi dan solusi berbasis data untuk membantu memerangi epidemi opioid. Para penulis - tim interdisipliner dari akademisi, sektor swasta, dan Pusat Pengendalian dan Pencegahan Penyakit AS - berpartisipasi dalam Code-a-Thon sebagai bagian dari jalur pencegahan.

Tujuan: Tujuan dari penelitian ini adalah untuk mengembangkan dan menyebarkan metodologi menggunakan pembelajaran mesin untuk secara akurat mendeteksi pemasaran dan penjualan opioid oleh penjual online ilegal melalui Twitter sebagai bagian dari partisipasi di acara HHS Opioid Code-a-Thon.

Metode:  Tweet dikumpulkan dari aliran antarmuka pemrograman aplikasi publik Twitter yang disaring untuk kata kunci opioid resep umum bersamaan dengan partisipasi dalam Code-a-Thon dari 15 November 2017 hingga 5 Desember 2017. Pendekatan berbasis pembelajaran mesin tanpa pengawasan dikembangkan dan digunakan selama kompetisi Code-a-Thon (24 jam) untuk mendapatkan ringkasan konten tweet untuk mengisolasi kelompok-kelompok yang terkait dengan pemasaran dan penjualan online ilegal menggunakan model topik biterm (BTM). Setelah mengisolasi tweet yang relevan, hyperlink yang terkait dengan tweet ini ditinjau untuk menilai karakteristik penjual online ilegal.

Hasil: Kami mengumpulkan dan menganalisis 213.041 tweet selama Code-a-Thon yang berisi kata kunci kodein, percocet, vicodin, oxycontin, oxycodone, fentanyl, dan hydrocodone. Menggunakan BTM, 0,32% (692/213.041) tweet diidentifikasi terkait dengan pemasaran online ilegal dan penjualan opioid resep. Setelah menghapus duplikat dan tautan mati, kami mengidentifikasi 34 tweet "langsung" unik, dengan 44% (15/34) mengarahkan konsumen ke apotek online terlarang, 32% (11/34) terkait dengan penjual obat individu, dan 21% (7/34) digunakan oleh afiliasi pemasaran. Selain menawarkan penjualan opioid "tanpa resep", banyak dari vendor ini juga menjual zat terkontrol lainnya dan obat-obatan terlarang.

Kesimpulan:  Hasil penelitian ini sejalan dengan penelitian sebelumnya yang telah mengidentifikasi platform media sosial, termasuk Twitter, sebagai saluran potensial untuk pasokan dan penjualan opioid terlarang. Untuk menerjemahkan hasil ini ke dalam tindakan, penulis juga mengembangkan wireframe prototipe untuk tujuan mendeteksi, mengklasifikasikan, dan melaporkan tweet farmasi online ilegal yang menjual zat yang dikendalikan secara ilegal ke Food and Drug Administration AS dan Badan Penegakan Narkoba AS. Pengembangan lebih lanjut dari solusi berdasarkan metode ini memiliki potensi untuk secara proaktif memperingatkan regulator dan lembaga penegak hukum tentang penjualan opioid ilegal, sementara juga membuat lingkungan online lebih aman bagi publik.