Разработка и оценка организационной модели мониторинга цифровых медиа в системе фармаконадзора (на примере социальной сети «ВКонтакте»)

Актуальность. Мониторинг цифровых медиа является требованием надлежащей практики фармаконадзора (англ. good pharmacovigilance practices, GVP) Евразийского экономического союза (ЕАЭС). Однако на сегодняшний день отсутствуют стандартизированные подходы к обработке неструктурированных данных из социальных сетей о нежелательных реакциях (НР) организма, связанных с медицинским применением лекарственных препаратов (ЛП).

Цель: разработка и апробация организационной модели мониторинга цифровых медиа для выявления сообщений о НР, адаптированой к требованиям GVP ЕАЭС, и оценка ее применимости на примере русскоязычного сегмента социальной сети «ВКонтакте».

Материал и методы. Проведен ретроспективный анализ контента 7 сообществ пациентов с ревматоидным артритом (совокупная аудитория более 54 тыс. подписчиков) за период с января по декабрь 2025 г. Проанализировано 58 884 постов и комментариев. Поиск осуществляли по ключевым словам: «побочные эффекты», «побочное действие», «побочки». Разработан протокол обработки, включающий: оценку минимальных критериев валидности сообщения (наличие репортера, пациента, подозреваемого ЛП и описания НР), кодирование выявленных НР в терминах Медицинского словаря для регуляторной деятельности (англ. Medical Dictionary for Regulatory Activities, MedDRA, версия 27.0) двумя независимыми экспертами, сопоставление с инструкциями по медицинскому применению ЛП с последующим расчетом согласованности мнений экспертов (коэффициент каппа Коэна).

Результаты. Выявлено 1463 упоминания, которые содержали описания НР при применении ЛП. Установленным критериям валидности сообщения соответствовали 108 упоминаний (7,4%). В результате кодирования 108 валидных упоминаний получили 76 уникальных предпочтительных терминов НР, согласующихся со словарем MedDRA. При сопоставлении указанных терминов с инструкциями по медицинскому применению ЛП 59 классифицированы как входящие в инструкции (предвиденные) и 17 – как не указанные в инструкциях – непредвиденные НР, формирующие гипотезы для последующей валидации в рамках сигнал-менеджмента. Согласованность мнений двух независимых экспертов при оценке наличия НР была высокой (коэффициент каппа Коэна 0,87). Доля сообщений, не поддающихся кодированию из-за неполноты или неспецифичности описаний, составила 92,6% от общего числа сообщений с упоминанием НР, что подтверждает высокий уровень «информационного шума» в социальных медиа.

Заключение. Предложенная организационная модель позволяет формализовать процесс мониторинга социальных медиа, обеспечивая воспроизводимость и соответствие регуляторным нормам GVP ЕАЭС. Выявленные НР, не указанные в инструкциях по медицинскому применению ЛП, демонстрируют потенциал социальных сетей как дополнительного источника гипотез по безопасности ЛП, требующего интеграции в рутинные процессы фармаконадзора фармацевтических организаций.

1. Молостова М.С., Светличная И.В. Клиентский сервис в эпоху социальных сетей: как негативные отзывы могут разрушить репутацию бренда. В кн.: Детерминанты развития экономики, образования и российского общества на пороге новой технологической эры: сборник публикаций преподавателей и студентов по итогам международных научно-практических конференций, Москва, 15–20 декабря 2024 г. М.: Перо; 2025: 186–91.

2. Крашенинников А.Е., Романов Б.К., Сафиуллин Р.С. Проблема недостаточной вовлеченности населения в систему фармаконадзора. Пермский медицинский журнал. 2018; 35 (4): 50–5. https://doi.org/10.17816/pmj35450-55.

3. Плахова А.О., Сороцкая В.Н., Вайсман Д.Ш., Балабанова Р.М. Ревматоидный артрит: распространенность и заболеваемость в разных странах. Современная ревматология. 2025; 19 (1): 7–11. https://doi.org/10.14412/1996-7012-2025-1-7-11.

4. Рубрикатор клинических рекомендаций. Ревматоидный артрит. 2024. URL: https://cr.minzdrav.gov.ru/view-cr/250_3 (дата обращения 17.02.2026).

5. Сметова Г.Г., Сыдыков С.Б., Шопабаева А.Р., Сарсембаева А.М. Фармаконадзор и социальные медиаресурсы: новый подход к обнаружению сигналов об опасности. Фармация Казахстана. 2016; 12: 50–1.

6. Боровикова Е.А., Косова И.В. Оценка социальных сетей как источника информации о нежелательных реакциях при применении ЛП. В кн.: Глобальные векторы развития фармацевтического образования, науки и практики в условиях непредсказуемой внешней среды и цифровизации: материалы Х Всероссийской научно-практической конференции, Ярославль, 15–16 сентября 2022 г. М.: Российский университет дружбы народов; 2022: 92–7.

7. Алибекова К.Н. Влияние дезинформации о вакцинации на общественное здоровье. В кн.: Научное сообщество студентов XXI столетия. Естественные науки: cборник статей по материалам CLIII студенческой международной научно-практической конференции, Новосибирск, 25 октября 2025 г. Новосибирск: Сибирская академическая книга; 2025: 5–9.

8. Гомон Ю.М., Касимова А.Р., Колбин А.С. и др. Подходы к оценке безопасности лекарственных средств во время пандемии COVID-19 на примере азитромицина. Безопасность и риск фармакотерапии. 2022; 10 (3): 283–92. https://doi.org/10.30895/2312-7821-2022-10-3-283-292.

9. Tricco A.C., Zarin W., Lillie E., et al. Utility of social media and crowd-intelligence data for pharmacovigilance: a scoping review. BMC Med Inform Decis Mak. 2018; 18 (1): 38. https://doi.org/10.1186/s12911-018-0621-y.

10. Vilimelis-Piulats I., Pérez-Ricart A., Peligero M.B., et al. Social media as a source of drug safety information in the paediatric population. Br J Clin Pharmacol. 2025; 91 (6): 1760–70. https://doi.org/10.1111/bcp.16392.

11. Karapetiantz P., Audeh B., Redjdal A., et al. Monitoring adverse drug events in web forums: evaluation of a pipeline and use case study. J Med Internet Res. 2024; 26: e46176. https://doi.org/10.2196/46176.

12. Zhang J., Wang X., Zhou Y. Comparative analysis of semaglutide induced adverse reactions: Insights from FAERS database and social media reviews with a focus on oral vs subcutaneous administration. Front Pharmacol. 2024; 15: 1471615. https://doi.org/10.3389/fphar.2024.1471615.

13. Carpenter K.A., Altman R.B. Using GPT-3 to build a lexicon of drugs of abuse synonyms for social media pharmacovigilance. Biomolecules. 2023; 13 (2): 387. https://doi.org/10.3390/biom13020387.

14. Litvinova O., Matin F.B., Matin M., et al. Patient safety discourse in a pandemic: a Twitter hashtag analysis study on #Patient Safety. Front Public Health. 2023; 11: 1268730. https://doi.org/10.3389/fpubh.2023.1268730.

15. Portelli B., Scaboro S., Tonino R., et al. Monitoring user opinions and side effects on COVID-19 vaccines in the Twittersphere: infodemiology study of tweets. J Med Internet Res. 2022; 24 (5): e35115. https://doi.org/10.2196/35115.

16. Bulcock A., Hassan L., Giles S., et al. Public perspectives of using social media data to improve adverse drug reaction reporting: a mixed-methods study. Drug Safety. 2021; 44 (5): 553–64. https://doi.org/10.1007/s40264-021-01042-6.

17. Farooq H., Niaz J.S., Fakhar S., Naveed H. Leveraging digital media data for pharmacovigilance. AMIA Annu Symp Proc. 2021; 2020: 442–51.

18. Нежурина Е.К., Мильчаков К.С., Абрамова А.А. Социальные сети как источник информации о нежелательных реакциях в пострегистрационном фармаконадзоре. Безопасность и риск фармакотерапии. 2024; 12 (4): 432–43. https://doi.org/10.30895/2312-7821-2024-433.

19. Lee J.Y., Lee Y.S., Kim D.H., et al. The use of social media in detecting drug safety-related new black box warnings, labeling changes, or withdrawals: scoping review. JMIR Public Health Surveill. 2021; 7 (6): e30137. https://doi.org/10.2196/30137.