Cet article aborde le grave problème de santé mondial que constituent les surdoses de drogues, dues à l'usage abusif d'opioïdes, d'analgésiques et de médicaments psychiatriques. Pour pallier les limites des méthodes de recherche existantes, nous utilisons les informations en temps réel sur la consommation de drogues et les symptômes de surdose, rapportées sur les réseaux sociaux. L'objectif principal est de proposer un cadre de traitement automatique du langage naturel (TALN) basé sur l'IA et s'appuyant sur les données des réseaux sociaux, et d'appliquer des modèles d'apprentissage automatique (ML) traditionnels, des réseaux neuronaux et des modèles avancés basés sur des transformateurs pour détecter les symptômes de surdose de drogues et les symptômes associés grâce à une stratégie d'annotation hybride utilisant la méthode LLM et des annotateurs humains. Nous obtenons ainsi une précision de 98 % pour la classification multi-classes et de 97 % pour la classification multi-étiquettes, soit une performance jusqu'à 8 % supérieure à celle du modèle de référence. Cela démontre le potentiel de l'IA pour soutenir la surveillance de la santé publique et les stratégies d'intervention personnalisées.
