Cet article propose d'analyser des données non structurées provenant de plateformes de médias sociaux comme Reddit afin de résoudre la crise des overdoses d'opioïdes, un grave problème de santé publique aux États-Unis. En nous appuyant sur les données des utilisateurs de Reddit partageant leurs expériences de consommation d'opioïdes, nous extrayons des informations grâce à une technique de traitement automatique du langage (TALN) exploitant la reconnaissance d'entités nommées d'opioïdes (ONER-2025). Nous construisons un ensemble de données unique, annoté manuellement, de 331 285 jetons et détaillons le processus d'annotation et les défis qui y sont associés, englobant huit catégories clés d'entités opioïdes. De plus, nous analysons les difficultés linguistiques liées aux discussions sur les opioïdes, telles que l'argot, l'ambiguïté, les phrases fragmentées et le langage chargé d'émotion. Nous proposons un système de surveillance en temps réel intégrant l'apprentissage automatique, l'apprentissage profond, des modèles de langage basés sur Transformer et des intégrations contextuelles avancées. Dans 11 expériences menées avec une validation croisée en 5 étapes, les modèles basés sur Transformer tels que bert-base-NER et roberta-base ont atteint une précision de 97 % et un score F1, ce qui représente une performance supérieure de 10,23 % à celle du modèle de base (RF = 0,88).
