Comparative Content Analysis and Expert Physician Risk Assessment of Aesthetic Procedures Promoted on TikTok in Taiwan: Quantitative Study.

چکیده اصلی

BACKGROUND: Algorithm-driven social media platforms such as TikTok are increasingly creating stratified layers in the cosmetic medical market, thereby influencing patient decisions and safety. In Taiwan, TikTok has 2 parallel markets: one is a formal tier promoting "cosmetic surgery tourism" to the public and the other is an underground tier targeting Southeast Asian migrant workers, providing informal, high-risk services. OBJECTIVE: In this study, we quantified the clinical risks embedded within these hierarchical markets and demonstrated how digital platforms exacerbate health inequalities through algorithm-driven social media content delivery. METHODS: We conducted a dual-track content analysis of 60 TikTok videos (n=30 per group). A panel of 6 specialist physicians independently evaluated the videos using the newly developed Clinical Legitimacy and Risk Scoring (CLRS) scale. This scale assesses videos across 4 dimensions: depicted environment, operator identity, risk communication, and communication channels. Interrater reliability was evaluated using Fleiss κ. RESULTS: The CLRS was used by 6 specialist physicians and showed a significant safety difference between the two groups. The medical tourism group (model A) had an average video score of 3.2 (SD 0.7), with the primary content type of short-form videos being "surgery experience vlogs" (9/30, 30%). Concomitantly, although professionalism was apparent in these videos, underlying risks were regularly obscured. In contrast, the migrant worker group (model B) had an extremely low average score of 1.1 (SD 0.3), indicating a complete deviation from medical standards (P<.001) and thus posing a higher risk to patient safety. The videos in model B were mainly "home surgery demonstrations" (15/30, 50%). The interrater reliability among physicians was high (Fleiss κ=0.85; P<.001). The primary coding team compiled the baseline descriptive data, whereas the board-certified physician panel independently evaluated the specific CLRS metrics. CONCLUSIONS: The algorithmic architecture of TikTok creates a stratified marketplace, reinforcing socioeconomic stratification and health inequities. Specifically, regarding the informal aesthetic medical tier for migrant workers, the risk of infection has become a serious and urgent public health threat. Results of this study indicate that responsible public health interventions are urgently needed for the informal aesthetic medical tier targeting migrant workers and that there is a need to reassess TikTok's social responsibility in reviewing high-risk medical content in short-form videos.

ترجمه فارسی چکیده

پلتفرم‌های اجتماعی مبتنی بر الگوریتم مانند تیک‌تاک لایه‌های طبقه‌بندی‌شده‌ای در بازار پزشکی زیبایی ایجاد می‌کنند که بر تصمیمات بیماران و ایمنی آن‌ها تأثیر می‌گذارد. در تایوان، تیک‌تاک دو بازار موازی دارد: یکی لایه رسمی که «توریسم جراحی زیبایی» را به عموم معرفی می‌کند و دیگری لایه زیرزمینی که به کارگران مهاجر آسیای جنوب شرقی هدف قرار می‌دهد و خدمات غیررسمی و پرخطر ارائه می‌دهد. هدف این مطالعه، کمی‌سازی ریسک‌های بالینی در این بازارهای سلسله‌مراتبی و نشان دادن اینکه چگونه پلتفرم‌های دیجیتال نابرابری‌های سلامت را از طریق محتوای رسانه‌های اجتماعی مبتنی بر الگوریتم تشدید می‌کنند. ما تحلیل محتوای دوگانه ۶۰ ویدیوی تیک‌تاک (۳۰ ویدیو در هر گروه) انجام دادیم. یک پنل از ۶ پزشک متخصص واجد شرایط، ویدیوها را با استفاده از مقیاس جدید «اعتبار بالینی و امتیازدهی ریسک» (CLRS) ارزیابی مستقل کردند. این مقیاس ویدیوها را در ۴ بعد: محیط نمایش داده شده، هویت عملگر، ارتباط ریسک و کانال‌های ارتباطی ارزیابی می‌کند. روایی بین داوران با استفاده از κ Fleiss ارزیابی شد. CLRS توسط ۶ پزشک متخصص استفاده شد و تفاوت ایمنی قابل توجهی بین دو گروه نشان داد. گروه توریسم پزشکی (مدل A) میانگین امتیاز ویدیو ۳.۲ (انحراف معیار ۰.۷) داشت، با نوع اصلی محتوا «ویدیوهای بلاگ تجربه جراحی» (۹/۳۰، ۳۰٪). با وجود اینکه حرفه‌ای بودن در این ویدیوها دیده می‌شد، ریسک‌های پنهان به طور منظم پنهان می‌شد. در مقابل، گروه کارگران مهاجر (مدل B) میانگین امتیاز بسیار پایین ۱.۱ (انحراف معیار ۰.۳) داشت که نشان‌دهنده انحراف کامل از استانداردهای پزشکی (P<.001) و در نتیجه ایجاد ریسک بالاتر برای ایمنی بیمار بود. ویدیوهای مدل B عمدتاً «نمایش‌های جراحی در خانه» (۱۵/۳۰، ۵۰٪) بودند. روایی بین داوران بین پزشکان بالا بود (κ Fleiss=0.85؛ P<.001). تیم اصلی کدگذاری داده‌های توصیفی پایه را جمع‌آوری کرد، در حالی که پنل پزشکان متخصص واجد شرایط به طور مستقل معیارهای CLRS را ارزیابی کردند. معماری الگوریتمی تیک‌تاک یک بازار طبقه‌بندی‌شده ایجاد می‌کند که طبقه‌بندی اقتصادی-اجتماعی و نابرابری‌های سلامت را تقویت می‌کند. به طور خاص، در مورد لایه غیررسمی پزشکی زیبایی برای کارگران مهاجر، خطر عفونت یک تهدید جدی و فوری سلامت عمومی شده است. نتایج این مطالعه نشان می‌دهد که اقدامات عمومی سلامت مسئولانه برای لایه غیررسمی پزشکی زیبایی هدفمند به کارگران مهاجر نیاز فوری دارد و نیاز به بازنگری مسئولیت اجتماعی تیک‌تاک در بررسی محتوای پزشکی پرخطر در ویدیوهای کوتاه وجود دارد.

متن کامل اصلی