Negli ultimi due decenni, il tasso di mortalità legata a sostanze stupefacenti negli Stati Uniti è aumentato di circa il 250%, nonostante una riduzione del 24% delle vittime di overdose tra il 2023 e il 2024. Le conseguenze delle overdose non si limitano alle morti: si osservano anche milioni di ricoveri non fatali, con un impatto significativo sul sistema sanitario. Nel solo 2024, il Drug Abuse Warning Network (DAWN) ha segnalato più di 8,4 milioni di visite alle unità di pronto soccorso per eventi correlati a droghe.

Il divario di rilevazione nella sorveglianza tradizionale

Gli attuali sistemi epidemiologici, come DAWN e il National Drug Early Warning System (NDEWS), soffrono di ritardi che vanno da mesi a anni. Questo ritardo impedisce di cogliere tempestivamente le tendenze emergenti che spesso nascono su piattaforme digitali. Il NDEWS, ad esempio, ha identificato conversazioni sui social media riguardo a sostanze emergenti – nitazeni, kratom e combinazioni polidroga (benzodiazepine, kratom o ketamina con fentanyl) – che sono state successivamente associate a un aumento delle visite in pronto soccorso.

Il principale ostacolo è il “detection gap”, ovvero la difficoltà di catturare e interpretare i segnali semantici virali che si diffondono rapidamente online. Quando questi segnali non vengono riconosciuti in tempo, le nuove droghe possono causare danni prima che le autorità ne prendano atto.

Il ruolo dei social media

I social media rappresentano una fonte di segnale temporale vicino al comportamento reale degli utenti: esperimenti, uso ricreativo, dipendenza e discussioni sui rischi. Tuttavia, la velocità con cui gli utenti generano contenuti supera di gran lunga le capacità attuali di raccolta e contestualizzazione dei dati, creando un vuoto di informazione critico.

Studi recenti indicano che circa il 10% dei contenuti pubblicamente accessibili sui social media pubblicizza o promuove droghe illegali. Inoltre, più del 60% degli adolescenti ha riferito di imbattersi in contenuti legati a sostanze su TikTok, Instagram e Snapchat, le piattaforme più usate dai giovani.

L’impatto del “semantic drift” sui modelli di sorveglianza

Il “semantic drift” si verifica quando i termini di gergo evolvono rapidamente, creando nuovi codici e abbreviazioni difficili da rilevare con metodi tradizionali. Un esempio è il termine “tea”, che può indicare sia una bevanda comune sia lo slang per il kratom, confondendo gli algoritmi di ricerca. Questi codici possono includere emoji, colori, descrizioni metaforiche o abbreviazioni, rendendo difficile la loro identificazione.

Quando i dati contengono questi riferimenti codificati, il segnale è spesso debole e rumoroso. L’applicazione di tecniche di NLP e deep learning a questi dataset può portare a risultati poco chiari o irrilevanti a causa del drift semantico. Metodi qualitativi umani sono più accurati ma risultano troppo costosi o logisticamente impossibili da scalare.

Perché le LLM generiche non bastano

Le grandi reti linguistiche (LLM) come ChatGPT, Gemini o Claude offrono capacità di ragionamento avanzate, ma mancano di conoscenza di dominio specifica per la farmacologia delle droghe. Questo porta a “hallucinations” o informazioni errate quando vengono usate per compiti che richiedono precisione, come l’identificazione di slang o la traduzione di termini di strada in nomi scientifici.

Le LLM pubbliche sono “black-box” e non garantiscono la trasparenza necessaria per contesti critici di salute pubblica, aumentando il rischio di conclusioni fuorvianti.

Integrazione di ontologie dinamiche con LLM

Una soluzione promettente è l’uso di LLM potenziate da ontologie e grafi di conoscenza. Le ontologie strutturano il sapere in concetti e relazioni, trasformando tassonomie tradizionali – come il database Drugs A‑Z del NIDA o il “Slang Terms & Code Words” della DEA – in risorse machine‑readable.

Queste risorse includono:

    • Classi di droghe (opioidi, stimolanti, psichedelici)
    • Nomine chimiche, nomi commerciali, vie di somministrazione
    • Termini di gergo, abbreviazioni, emoji associate
    • Effetti farmacologici e interazioni note

Collegando questi elementi a una LLM, il modello può eseguire “retrieval‑augmented generation” (RAG), cioè recuperare informazioni pertinenti dal grafo di conoscenza prima di generare risposte. Questo riduce le hallucinations e migliora la capacità di rilevare termini emergenti.

Processo di aggiornamento continuo

Le ontologie devono essere aggiornate in tempo reale attraverso:

    • Monitoraggio automatico di nuovi termini su piattaforme social
    • Validazione da esperti di farmacologia e criminologia
    • Integrazione di segnali da sistemi di segnalazione clinica (es. ED visit logs)

Questo ciclo chiuso permette al modello di adattarsi rapidamente a cambiamenti semantici, mantenendo alta la precisione nella rilevazione.

Benefici attesi e scenari di applicazione

Implementando LLM ontologicamente potenziati, i sistemi di sorveglianza digitale possono:

    • Ridurre il lag di rilevazione da mesi a settimane o giorni
    • Identificare in anticipo nuove sostanze o combinazioni polidroga
    • Fornire traduzioni accurate di gergo in termini clinici per le autorità sanitarie
    • Supportare decisioni politiche basate su dati più tempestivi

In pratica, gli analisti potrebbero ricevere avvisi automatici quando emergono nuovi termini correlati a rischi di overdose, consentendo interventi mirati (campagne di informazione, distribuzione di naloxone, aggiornamento di protocolli ospedalieri).

Limiti e considerazioni etiche

Nonostante le potenzialità, è fondamentale affrontare:

    • La privacy degli utenti: il monitoraggio dei social media deve rispettare le normative sulla protezione dei dati.
    • Il bias dei dati: le piattaforme più popolari tra i giovani potrebbero sovrarappresentare certi termini, distorcendo l’analisi.
    • La responsabilità delle decisioni automatizzate: le autorità devono verificare gli avvisi prima di adottare misure di intervento.

Un approccio trasparente e collaborativo con esperti di dominio, ricercatori e responsabili di policy è essenziale per garantire l’efficacia e l’equità del sistema.

Conclusioni

Le LLM, se integrate con ontologie dinamiche e grafi di conoscenza, rappresentano una via promettente per colmare le lacune della sorveglianza digitale delle droghe. Questo approccio combina la potenza di ragionamento dei modelli generativi con la precisione di strutture conoscitive curate, offrendo una risposta più rapida e affidabile alle sfide poste dal linguaggio in evoluzione delle sostanze stupefacenti.

Il futuro della sorveglianza richiede strumenti flessibili, aggiornabili e trasparenti, capaci di tradurre il rumore dei social media in segnali di allarme concreti. Solo così sarà possibile intervenire tempestivamente, riducendo le vittime e il carico sul sistema sanitario.