Représentation graphique
La compréhension des réseaux sociaux et des interactions entre les médecins est essentielle pour étudier l'influence des DOLs. Les réseaux sociaux sont caractérisés par des liens entre des individus ou des entités, et peuvent être représentés sous forme de graphes de structures variées. L'étude des propriétés de ces graphes permet d'analyser les structures, les interactions et les mécanismes d'influence au sein des réseaux.
Dans l'ordre : Réseau en étoile, Réseau en maillage complet, réseau en relais, réseau linéaire (Dong et al. 2022). En rose les nœuds simple, rouge les nœuds d'aggrégation, en bleu les nœuds de relais.
Degrés de séparation
Six degrés de séparation entre deux nœuds d'un réseau
Les six degrés de séparation, est un concept développé par Stanley Milgram en 1967 qui fait référence à l'idée que deux individus sont séparés, en moyenne, par seulement six intermédiaires au sein d'un réseau social. Cette notion a des implications importantes pour la compréhension des réseaux et interactions dans le secteur médical, en particulier en ce qui concerne les DOLs.
Les six degrés de séparation peuvent servir de point de départ pour étudier comment les informations et les influences se propagent rapidement au sein des réseaux de médecins et expliquer comment les DOLs peuvent atteindre et influencer un grand nombre de médecins, même s'ils ne sont pas directement connectés à eux.
Un petit monde ?
Ducan Watts a notamment étudié les phénomènes de "petit monde" (small-world) et de réseau échelle-libre (scale-free network) dans les réseaux sociaux. Les réseaux de petit monde sont caractérisés par un faible nombre moyen de liens entre les individus et une forte propension à la formation de clusters ou de sous-communautés. Les réseaux en échelle-libre, quant à eux, sont définis par une distribution de degré (nombre de liens) suivant une loi de puissance, ce qui signifie que quelques individus (ou hubs) sont très connectés, tandis que la majorité ont peu de connexions.
Représentation d'un réseau en“petit monde”à gauche et en“échelle libre”à droite.
Qu'est-ce qu'un cluster ?
Exemples de clustering simple avec illustration des similarités intra ou inter clusters.
Les communautés sont des sous-ensembles de nœuds qui sont fortement interconnectés entre eux et faiblement connectés avec les nœuds des autres communautés. La détection de communautés permet de mettre en évidence les groupes de médecins qui travaillent étroitement ensemble ou qui partagent des intérêts communs. Les DOLs peuvent être des membres clés de ces communautés et servir de ponts ou de relais entre elles, facilitant ainsi la diffusion de l'information et des innovations médicales à travers les différents groupes.
Le partitionnement de graphes est une technique d'analyse des réseaux qui vise à diviser un réseau en sous-ensembles de nœuds, de manière à minimiser le nombre de liens entre les sous-ensembles et à maximiser le nombre de liens à l'intérieur de chaque sous-ensemble.
Qui est vraiment influent ?
La centralité, la dispersion et les mesures de position sont également des concepts essentiels pour analyser les réseaux sociaux en médecine.
- La centralité d'un nœud mesure son importance ou son influence au sein d'un réseau. Plusieurs indices de centralité peuvent être utilisés, tels que la centralité de degré (nombre de liens directs), la centralité de proximité (accessibilité moyenne aux autres nœuds) et la centralité d'intermédiarité (nombre de fois qu'un nœud agit comme un pont entre deux autres nœuds). Ils définissent ainsi des nœuds d’influence communautaires
- La dispersion d'un réseau se réfère à la distribution des liens entre les nœuds. Elle peut être mesurée par la densité du réseau (proportion de liens réels par rapport au nombre total de liens possibles) et la distance moyenne entre les nœuds. La dispersion est un indicateur de l'efficacité de la communication et de la diffusion de l'information au sein d'un réseau.
- Les mesures de position, telles que le rang et le percentile, permettent de comparer les nœuds entre eux et d'identifier ceux qui sont les plus importants ou influents. Par exemple, un médecin ayant un rang élevé en termes de centralité d'intermédiarité pourrait être un acteur clé dans la diffusion de l'information entre différents groupes de médecins.
Exemple de réseau intégrant trois clusters distincts de leurs similarités. La taille d'un nœud représentant sa centralité, la distance entre les nœuds représentant l'efficacité de diffusion et la couleur l'appartenance à un cluster.
Attraction VS Répulsion
La visualisation des réseaux via divers graphiques permet d'analyser et de comprendre les structures complexes des systèmes. Chaque type révèle des aspects spécifiques :
(cliquer pour voir le détail)
Les graphiques axés sur les divisions, comme les algorithmes de partition de communauté, identifient des groupes ou clusters distincts. Ils mettent en évidence les sous-groupes naturels et les motifs de ségrégation au sein du réseau. OpenOrd est souvent utilisé pour ce type de visualisation.
Ces graphiques mettent en avant les relations synergiques entre les éléments du réseau, révélant des partenariats et des associations bénéfiques. ForceAtlas, Yifan Hu et Fruchterman-Reingold sont couramment employés pour illustrer ces complémentarités.
Les visualisations basées sur le classement utilisent des métriques comme la centralité pour évaluer l'importance des nœuds. Elles identifient les acteurs clés et les hubs, utilisant des méthodes comme Circular et Radial Axis.
Les graphiques intégrant des données géographiques, comme GeoLayout, montrent la répartition des liens selon la géographie, soulignant l'impact de la distance physique sur les relations du réseau.
Le choix du graphique dépend de l'objectif de l'analyse, permettant d'extraire des insights variés et profonds des données de réseau, facilitant la prise de décision et la compréhension des systèmes complexes.
Différents types d'algorithmes de spatialisation
Corrélation ou causalité ?
A travers la regression, nous nous avons constaté une corrélation positive entre le nombre de publications d'un DOL et son impact sur son réseau. Cela suggère que les médecins les plus actifs sur le plan académique jouissent également d'une influence considérable en ligne. Cependant, il est important de ne pas confondre corrélation et causalité. Des facteurs comme l'expertise et le réseau professionnel étendu peuvent également expliquer cette relation. Des modèles de régression plus approfondis nous aideront à établir ces liens causaux.
En appliquant ces techniques d'analyse aux réseaux sociaux médicaux, nous pouvons mieux comprendre les mécanismes qui sous-tendent la diffusion de l'information et l'influence dans ce secteur clé. Cela peut permettre de mieux cibler des efforts de communication et d'engagement auprès des acteurs les plus influents.
Exemple de corrélation fallacieuse !
Critères d'inclusion et méthodologie
L'étude a pris racine en commençant par l'étude fondamentale de 30 médecins dont chacun a fait l'objet d'un scoring détaillé sur les plans académique et digital pour former un score composite. L'ensemble de ses publication a été traitée et analysée pour extraire co-auteur thématique et filtrer les faux positifs (homonymes, hors sujets etc).
Spécialité médicale et domaine d'influence
Intitulé de poste Linkedin incluant = Cardiologie OU Cardiologue OU Cardio
Secteur = Hôpitaux OU Hôpitaux et services de santé OU Médecine
Discipline Research Gate = Cardiology
Présence sur les réseaux sociaux et plateformes académiques
Compte Linkedin = ouvert
Abonnés Linkedin > 400
Compte ResearchGate = actif
Activité sur les réseaux sociaux et plateformes académiques
Publication Linkedin sur les 4 derniers mois > 1
Sinon augmentation du minimum d'abonnés > 600
Auteur trouvable sur Pubmed sans homonymie
Le réseau complet
Dans le réseau ci-dessous, nous découvrons l'ensemble des co-auteurs des articles issues des 30 DOLs dont est issue cette petite étude. L'analyse par LDA peut etre ajustée
Cliquer pour agrandir !
Réseau de co-auteurs modélisé en ForceAtlas2, avec la méthode LDA N°1 plus restrictive à gauche que la méthode 2, taille des nœuds = Pagerank, En rouge les DOLs initiaux de l'étude.
Composition des articles
La classification des articles par Méthode de Latent Dirichlet Allocation (LDA) est une méthode statistique utilisée pour identifier des sujets ou thèmes sous-jacents dans un corpus de textes. Cette technique permet de regrouper des documents ayant des contenus similaires sans nécessiter de connaître a priori le nombre ou la nature de ces sujets. LDA modélise chaque document comme une combinaison de différents sujets, et chaque sujet comme une combinaison de mots, facilitant ainsi l'exploration et la catégorisation automatique des textes.
Par cette méthode 5 sujets se sont discernés selon une première approche macro et 26 en micro
Sujet #0 : COVID-19 et Épidémiologie
Sujet #1 : Diagnostic et Thérapie Cardiaque
Sujet #2 : Thérapies et Effets des traitements pour les coronaires
Sujet #3 : Imagerie et Complications Cardiaques
Sujet #4 : Mortalité et Syndrome de Takotsubo
Graphique des mots les plus fréquents de l'échantillon de 3971 articles
Les tops auteurs découverts
La méthode de centralité via PageRank, a facilité l'identification des 20 auteurs les plus centraux en termes d'influence et d'interaction au sein de l'échantillon étudié. Cette démarche a révélé la présence de 11 nouveaux KOL qui n'avaient pas été précédemment identifiés. En conséquence, ce type d'analyse facilite l'intégration de nouveau KOL dans un classement des DOLs afin d'enrichir une analyse et fournir des insights supplémentaires sur les dynamiques au sein des réseaux examinés.
Graphique des auteurs avec la centralité la plus élevée, c'est à dire, les plus connectés du réseau.
Histogramme descriptif des tops cinq auteurs influents (4 sujets sur 26 d'une méthode LDA moins restrictive)
10 nouveaux KOLs identifiés par méthode de PageRank : de potentiel DOLs !
Graphique des 20 auteurs les plus connectés dans le réseau, taille des nœuds Pagerank, couleur LDA
Liens Inter-Clusters et nœds clefs
Les nœuds présentant les plus hauts niveaux de centralité sont colorés en rouge pour une identification systématique. Utiliser la centralité d'intermédiarité comme mesure de centralité aide à distinguer les nœuds ayant des valeurs élevées dans cette dimension. Ces nœuds jouent fréquemment un rôle de pont, facilitant la communication entre différentes parties du réseau.
Zoom sur la zone d'interface entre deux modularity class cluster mettant en avant les nœuds les plus centraux
De nombreux types de nœuds peuvent etre distingués sur un réseau et aider à identifier les acteurs clefs. Les schémas ne sont pas présentés ici.
- Nœud central
- Point de connexion majeur avec de nombreux liens directs.
- Indique une influence significative ou une position de leader.
- Nœud liant les auteurs de plusieurs clusters
- Nœud fonctionnant comme un lien entre différents clusters d'auteurs.
- Crucial pour la collaboration interdisciplinaire et le partage de connaissances.
- Nœud reliant un cluster avec le reste du réseau
- Nœud agissant comme un pont entre un cluster spécifique et le réseau.
- Vital pour connecter des segments séparés et renforcer la cohésion du réseau.
- Nœud hautement connecté
- Nœud avec un grand nombre de connexions directes, appelé “hub”.
- Essentiel pour la robustesse du réseau et l'accélération de la diffusion d'informations.
Une contagion contre-intuitive !
Changer des pratiques, faire passer des idées, adhérer à des innovations, la contagion de ces concepts dans un réseau est complexe et s'oppose aux mécanismes de contagion simple de type virales.
Contagion simple
Un médecin de l'hôpital a été filmé par la famille alors qu'un patient le remerciait par un calin après la rémission de sa maladie. Le partage par le chef de service de la vidéo fera trainée de poudre et déclenchera des millions de vues en France et ailleurs.
Contagion complexe
Un très bon exemple serait qu'on ne change pas de façon de prendre la pression artérielle car le chef de service la prend différemment, ni même si deux ou trois collègues de l'hôpital le fait. Cependant, si 50% de mes collègues changent leur pratique alors mon seuil sera atteint et je changerai à mon tour.
Le seuil individuel déclencheur de changements profonds
Pour déclencher un changement profond d'habitude ou l'adoption de nouvelles pratiques médicales, une masse critique de personnes connecté à soi est nécessaire. Par exemple, pour une "ola" dans un stade, il faut 30 personnes. Ce nombre d'initiateurs nécessaires est appelé la "masse critique".
On comprend alors par le schéma de droite que seul les 4 personnes de droite sont nécessaire afin de déclencher un changement pour l'ensemble des 100 personnes, dont peut-être l'influenceur qui lui avait en fait un seuil individuel à 25%
Diffusion par renforcement social
Les contagions complexes, telles que l'adoption de nouvelles pratiques médicales par les médecins (exemple du covid) nécessitent un renforcement social. Une personne adopte un comportement seulement si un certain pourcentage de ses connexions l'adoptent également, contrairement aux contagions simples (comme les virus) qui ne nécessitent qu'un seul contact.
Rôle des influenceurs et de la périphérie
Bien que les influenceurs jouent un rôle important dans la propagation, dans le cas des révolutions médicales ou technologies, ce sont les sous-réseaux denses et bien connectés qui facilitent la propagation.
Seuils de déclenchement et normes sociales
Les comportements sociaux et les normes peuvent changer lorsqu'un certain pourcentage de la population adopte un nouveau comportement. Des expériences ont montré que des changements de comportement se produisent lorsque le pourcentage d'initiateurs dépasse un certain seuil, souvent autour de 25%.
Contagion simple
Dans l'exemple suivant nous nous intéressons à un sous réseau ayant deux clusters denses et quelques nœuds de centralité élevée. Le seuil de contagion partagé étant fixé à 25% pour tout le monde, c'est à dire que si un quart de mes connexions sont contaminées alors je suis contaminé.
Quelle sera la meilleure façon de diffuser via contagion simple ?
Contagion simple depuis noeud central
Une seule contagion
95% de contagion
Contagion simple depuis la périphérie dense
3 contagions
Contagion complexe
Dans l'exemple suivant nous nous intéressons à un sous réseau ayant deux clusters denses et quelques nœuds de centralité élevée. Le seuil de contagion partagé étant fixé à 25% pour tout le monde, c'est à dire que si un quart de mes connexions sont contaminées alors je suis contaminé.
Quelle sera la meilleure façon de diffuser via contagion complexe ?
Contagion complexe depuis noeud central
Une seule contagion
Contagion complexe depuis la périphérie dense
80% de contagion
[3]Outil SAAS en Marque Blanche pour Mise à Jour Continue
Mise à Jour
Les données sont mises à jour régulièrement en fonction du scope du projet, assurant ainsi la pertinence et l'actualité des analyses.
Personnalisé
En marque blanche s'adapte parfaitement à vos besoins, offrant une expérience sur-mesure pour vos équipes.
Actionnable
Avec des données fiables et compilées donnez les clefs à vos équipes pour prendre les meilleures décisions business.
Découverte de DOLs