Verkeerde informatie over prostaatkanker is wijdverbreid op het internet en heeft een aanzienlijke invloed op de patiëntenzorg, zeiden de auteurs van de studie op een persconferentie van de American Urological Association. Onderzoekers die machine learning gebruiken, hebben een eerste stap genomen om de kwaliteit van online inhoud te onderzoeken.

YouTube en andere vormen van sociale media blijven populaire informatiebronnen: alleen YouTube host meer dan 500 video's die bijna 44 miljoen keer bekeken zijn. Verkeerde informatie uit deze bronnen heeft verschillende gevolgen en beïnvloedt de beslissingen van patiënten over behandeling, gedeelde besluitvorming en behandelingsverwachtingen, zei Zeyad Schwen, MD, een urologiebewoner aan de Johns Hopkins University, die de bevindingen van zijn groep presenteerde.

Schwen en collega's concentreerden hun onderzoek op erectiestoornissen (ED) na radicale prostatectomie en trachtten de kwaliteit van inhoud op YouTube met betrekking tot dit onderwerp te karakteriseren. "We wilden kijken naar gebieden van desinformatie, het opnemen van belangrijke adviespunten, en ook [probeerden] vergelijkingen te maken tussen de kwaliteit, de video-inhoud en de verspreiding," zei Schwen.

Hij en zijn collega's onderzochten de eerste 100 YouTube-video's die waren verkregen met behulp van de zoekcriteria 'radicale prostatectomie en erectiestoornissen'. In totaal waren 81 video's beschikbaar voor analyse. De kwaliteit van de inhoud werd beoordeeld met behulp van de DISCERN-tool met 16 vragen, een gevalideerde scoretool die de kwaliteit van de gezondheidsinformatie van de consument evalueert.

In totaal werden 34 valse claims aangetroffen in 20% van de video's, waarbij sommige video's meerdere valse claims bevatten. Onder zijn persoonlijke favorieten noemde Schwen: "Er zijn geen bijwerkingen van radicale prostatectomie", "Robotchirurgie laat je alle zenuwen zien", "Kegel-oefeningen verbeteren ED" en "Vruchtwatermembraan voorkomt ED bij 96% van de patiënten."

Tweederde van de video's van een arts, meestal een uroloog (58% van de video's). Ongeveer de helft van de video's (44%) maakte reclame voor een praktijk of instelling.

In termen van adviespunten citeerde slechts 12% van de video's het verwachte percentage erectiestoornissen, 23% noemde risicofactoren voor erectiestoornissen na prostatectomie, 28% verklaarde het sparen van de zenuwen, 17% besprak de vertraging in het herstel van erecties en 35% besprak de mogelijke behoefte aan behandelingen.

De mediane DISCERN-score was 29 op een maximale score van 80. "Er was geen verband tussen DISCERN-scores en valse verklaringen, de bron van de video en het aantal weergaven", zei Schwen.

"De reden dat ik denk dat dit een zeer belangrijke studie is, is omdat het ons helpt om beter te begrijpen wat voor soort mentaliteit en wat voor soort informatie patiënten bij ons binnenkomen vóór [een bezoek]", zei Schwen. "Het is heel goed mogelijk dat ze starten vanuit een onnauwkeurige positie."

In een tweede onderzoek probeerden urologen en computerwetenschappers een geautomatiseerde oplossing te ontwikkelen om verkeerde informatie op te sporen. Een groep onder leiding van Stacy Loeb, MD, MSc, gebruikte 354 publicaties in PubMed Central om een ​​taalmodel voor prostaatkanker te bouwen. Vervolgens vergeleken ze het model met transcripties van 250 YouTube-video's met behulp van perplexiteit, een standaardmaatstaf voor de aanpassing van taalmodellen, waarbij lagere waarden voor verwarring worden geassocieerd met een betere taalpassing. Experimenten met machine learning werden uitgevoerd om betrouwbare video's te onderscheiden van niet-informatieve video's. Het monster werd opzettelijk verrijkt met desinformatie video's om het model te trainen, zei Loeb, hoogleraar urologie aan de New York University School of Medicine, New York, New York.

De video's die geen verkeerde informatie bevatten en de video's die verkeerde informatie bevatten, werden vergeleken met het op PubMed gebaseerde taalmodel. De betrouwbare video's hadden minder taalverwarring dan de niet-informatieve video's (1733 versus 7033, P <.001), wat aangeeft dat ze beter passen bij het op PubMed gebaseerde taalmodel.