{"id":6254,"date":"2025-12-11T10:44:34","date_gmt":"2025-12-11T10:44:34","guid":{"rendered":"https:\/\/sahelib.atatec-design.com\/index.php\/2025\/12\/11\/detection-precoce-des-maladies-infectieuses-via-reseaux-sociaux\/"},"modified":"2025-12-11T11:09:25","modified_gmt":"2025-12-11T11:09:25","slug":"detection-precoce-des-maladies-infectieuses-via-reseaux-sociaux","status":"publish","type":"post","link":"https:\/\/sahelib.atatec-design.com\/index.php\/2025\/12\/11\/detection-precoce-des-maladies-infectieuses-via-reseaux-sociaux\/","title":{"rendered":"D\u00e9tection pr\u00e9coce des maladies infectieuses"},"content":{"rendered":"

D\u00e9tection pr\u00e9coce des maladies infectieuses via r\u00e9seaux sociaux<\/h2>\n

Auteur(s) :<\/strong> Dr. Rachid Diallo \u2014 Date :<\/strong> 2020-02-04 \u2014 Source :<\/strong> arXiv<\/p>\n

R\u00e9sum\u00e9<\/h3>\n

Approches de surveillance \u00e9pid\u00e9miologique bas\u00e9es sur l’analyse de messages publics et signaux faibles.<\/p>\n

1. ARTICLE SCIENTIFIQUE COMPLET<\/strong><\/h1>\n

D\u00e9tection pr\u00e9coce des maladies infectieuses via les r\u00e9seaux sociaux : Approches, d\u00e9fis et perspectives<\/strong><\/h2>\n

R\u00e9sum\u00e9<\/strong><\/h3>\n

La propagation rapide des maladies infectieuses n\u00e9cessite des outils innovants pour leur d\u00e9tection pr\u00e9coce. Les r\u00e9seaux sociaux, en raison de leur instantan\u00e9it\u00e9 et de leur large adoption, constituent aujourd\u2019hui une source majeure d\u2019informations en temps r\u00e9el pouvant contribuer \u00e0 l\u2019identification pr\u00e9coce des signaux \u00e9pid\u00e9miques. Cet article examine les m\u00e9thodes existantes de surveillance num\u00e9rique, les algorithmes utilis\u00e9s pour l\u2019extraction d\u2019indicateurs sanitaires, les forces de ces approches, leurs limites ainsi que les perspectives futures, incluant l\u2019int\u00e9gration de l\u2019intelligence artificielle, du traitement automatique du langage naturel (TALN) et de la mod\u00e9lisation pr\u00e9dictive.<\/p>\n

\n

1. Introduction<\/strong><\/h2>\n

L\u2019essor des technologies num\u00e9riques et l’utilisation massive des r\u00e9seaux sociaux ont transform\u00e9 les modes de communication humains. Ces plateformes g\u00e9n\u00e8rent quotidiennement des milliards de donn\u00e9es textuelles, visuelles et comportementales. En sant\u00e9 publique, cette dynamique ouvre la voie \u00e0 une nouvelle discipline : l\u2019\u00e9pid\u00e9miologie digitale<\/strong> ou infod\u00e9miologie<\/strong>, qui consiste \u00e0 exploiter les donn\u00e9es du web, des moteurs de recherche et des r\u00e9seaux sociaux pour d\u00e9tecter, suivre et pr\u00e9voir l\u2019\u00e9volution des maladies infectieuses.<\/p>\n

Contrairement aux m\u00e9thodes traditionnelles (rapports cliniques, tests de laboratoire, surveillance syndromique hospitali\u00e8re), les r\u00e9seaux sociaux permettent une surveillance en temps r\u00e9el<\/strong>, souvent plus rapide que les syst\u00e8mes institutionnels, comme d\u00e9montr\u00e9 lors de la pand\u00e9mie de COVID-19, de l\u2019\u00e9pid\u00e9mie d\u2019Ebola ou encore de la grippe H1N1.<\/p>\n

L’objectif de cet article est d\u2019explorer les avanc\u00e9es actuelles dans la d\u00e9tection pr\u00e9coce des maladies infectieuses via les r\u00e9seaux sociaux, d\u2019en analyser les m\u00e9thodologies, les limites et les perspectives.<\/p>\n

\n

2. Cadre conceptuel et th\u00e9orique<\/strong><\/h2>\n

2.1. \u00c9pid\u00e9miologie num\u00e9rique<\/strong><\/h3>\n

L\u2019\u00e9pid\u00e9miologie num\u00e9rique se base sur l\u2019analyse de traces num\u00e9riques pour d\u00e9tecter les signaux faibles associ\u00e9s \u00e0 une \u00e9pid\u00e9mie :<\/p>\n

    \n
  • \n

    posts, tweets, vid\u00e9os, stories<\/p>\n<\/li>\n

  • \n

    recherches sur Google<\/p>\n<\/li>\n

  • \n

    interactions sociales<\/p>\n<\/li>\n

  • \n

    g\u00e9olocalisation<\/p>\n<\/li>\n

  • \n

    m\u00e9tadonn\u00e9es textuelles<\/p>\n<\/li>\n<\/ul>\n

    2.2. R\u00e9seaux sociaux comme capteurs \u00e9pid\u00e9miques<\/strong><\/h3>\n

    Les plateformes les plus utilis\u00e9es en surveillance :<\/p>\n

      \n
    • \n

      Twitter \/ X<\/strong> : rapidit\u00e9, contenu public, hashtags<\/p>\n<\/li>\n

    • \n

      Facebook<\/strong> : groupes communautaires<\/p>\n<\/li>\n

    • \n

      TikTok<\/strong> : propagation virale de tendances sanitaires<\/p>\n<\/li>\n

    • \n

      Instagram<\/strong> : images + descriptions informelles<\/p>\n<\/li>\n

    • \n

      WhatsApp<\/strong> : circulation des rumeurs (plus difficile \u00e0 analyser)<\/p>\n<\/li>\n<\/ul>\n

      2.3. Donn\u00e9es analys\u00e9es<\/strong><\/h3>\n
        \n
      • \n

        expressions symptomatiques (\u201cfi\u00e8vre\u201d, \u201ctoux\u201d, \u201cmalade\u201d)<\/p>\n<\/li>\n

      • \n

        signaux comportementaux (absent\u00e9isme, annulation d\u2019\u00e9v\u00e9nements)<\/p>\n<\/li>\n

      • \n

        discussions sur les maladies (ex : dengue, paludisme, grippe)<\/p>\n<\/li>\n

      • \n

        localisation des publications<\/p>\n<\/li>\n<\/ul>\n

        \n

        3. M\u00e9thodologies et approches analytiques<\/strong><\/h2>\n

        3.1. Traitement automatique du langage naturel (TALN)<\/strong><\/h3>\n

        Les algorithmes utilisent :<\/p>\n

          \n
        • \n

          Classification supervis\u00e9e (SVM, Random Forest)<\/p>\n<\/li>\n

        • \n

          Deep Learning (BERT, LSTM, Transformers)<\/p>\n<\/li>\n

        • \n

          Analyse de sentiments pr\u00e9alable<\/p>\n<\/li>\n

        • \n

          Extraction d\u2019entit\u00e9s nomm\u00e9es (sympt\u00f4mes, lieux, maladies)<\/p>\n<\/li>\n<\/ul>\n

          3.2. Analyse spatio-temporelle<\/strong><\/h3>\n

          Permet d\u2019identifier des \u201cclusters\u201d de signaux :<\/p>\n

            \n
          • \n

            g\u00e9olocalisation des tweets<\/p>\n<\/li>\n

          • \n

            cartographie dynamique<\/p>\n<\/li>\n

          • \n

            comparaison avec les donn\u00e9es officielles (OMS, CDC, minist\u00e8res)<\/p>\n<\/li>\n<\/ul>\n

            3.3. D\u00e9tection des signaux faibles<\/strong><\/h3>\n

            Les techniques incluent :<\/p>\n

              \n
            • \n

              signal burst detection (m\u00e9thode EARS \u2013 Early Aberration Reporting System)<\/p>\n<\/li>\n

            • \n

              mod\u00e8les \u00e9pid\u00e9miologiques hybrides (SIR coupl\u00e9 \u00e0 donn\u00e9es sociales)<\/p>\n<\/li>\n

            • \n

              intelligence artificielle pr\u00e9dictive<\/p>\n<\/li>\n<\/ul>\n

              3.4. Outils existants<\/strong><\/h3>\n
                \n
              • \n

                Google Flu Trends (GFT) \u2014 abandonn\u00e9 mais pionnier<\/p>\n<\/li>\n

              • \n

                HealthMap<\/p>\n<\/li>\n

              • \n

                BioCaster<\/p>\n<\/li>\n

              • \n

                WHO EIOS (Epidemic Intelligence from Open Sources)<\/p>\n<\/li>\n<\/ul>\n

                \n

                4. R\u00e9sultats et apports des r\u00e9seaux sociaux<\/strong><\/h2>\n

                4.1. Rapidit\u00e9 de d\u00e9tection<\/strong><\/h3>\n

                Les r\u00e9seaux sociaux d\u00e9tectent certains signaux jusqu\u2019\u00e0 1 \u00e0 3 semaines plus t\u00f4t<\/strong> que les syst\u00e8mes traditionnels.<\/p>\n

                4.2. D\u00e9tection d\u2019\u00e9v\u00e9nements \u00e9mergents<\/strong><\/h3>\n

                Ils ont permis d\u2019identifier :<\/p>\n

                  \n
                • \n

                  les premiers signaux du COVID-19 en Chine<\/p>\n<\/li>\n

                • \n

                  des flamb\u00e9es de dengue en Indon\u00e9sie<\/p>\n<\/li>\n

                • \n

                  des \u00e9pid\u00e9mies de grippe aux \u00c9tats-Unis<\/p>\n<\/li>\n<\/ul>\n

                  4.3. Richesse des donn\u00e9es qualitatives<\/strong><\/h3>\n

                  Ils fournissent :<\/p>\n

                    \n
                  • \n

                    symptomatologie spontan\u00e9e<\/p>\n<\/li>\n

                  • \n

                    perceptions du risque<\/p>\n<\/li>\n

                  • \n

                    comportements pr\u00e9ventifs (masques, d\u00e9placements)<\/p>\n<\/li>\n<\/ul>\n

                    \n

                    5. Limites et d\u00e9fis<\/strong><\/h2>\n

                    5.1. Donn\u00e9es bruit\u00e9es<\/strong><\/h3>\n

                    Les publications ne correspondent pas toujours \u00e0 de v\u00e9ritables sympt\u00f4mes :<\/p>\n

                      \n
                    • \n

                      blagues, m\u00e9taphores (\u201cje suis mort de fatigue\u201d)<\/p>\n<\/li>\n

                    • \n

                      fausses informations<\/p>\n<\/li>\n

                    • \n

                      influence m\u00e9diatique<\/p>\n<\/li>\n<\/ul>\n

                      5.2. Questions \u00e9thiques et confidentialit\u00e9<\/strong><\/h3>\n
                        \n
                      • \n

                        collecte massive de donn\u00e9es<\/p>\n<\/li>\n

                      • \n

                        absence de consentement explicite<\/p>\n<\/li>\n

                      • \n

                        donn\u00e9es sensibles li\u00e9es \u00e0 la sant\u00e9<\/p>\n<\/li>\n<\/ul>\n

                        5.3. Repr\u00e9sentativit\u00e9 biais\u00e9e<\/strong><\/h3>\n

                        Les populations rurales ou \u00e2g\u00e9es sont sous-repr\u00e9sent\u00e9es.<\/p>\n

                        \n

                        6. Perspectives d\u2019avenir<\/strong><\/h2>\n
                          \n
                        • \n

                          int\u00e9gration de l\u2019IA multimodale (texte + image + vid\u00e9o)<\/p>\n<\/li>\n

                        • \n

                          syst\u00e8mes pr\u00e9dictifs nationaux bas\u00e9s sur les r\u00e9seaux sociaux<\/p>\n<\/li>\n

                        • \n

                          renforcement de la validation clinique des signaux d\u00e9tect\u00e9s<\/p>\n<\/li>\n

                        • \n

                          fusion des donn\u00e9es hospitali\u00e8res et num\u00e9riques<\/p>\n<\/li>\n<\/ul>\n

                          \n

                          7. Conclusion<\/strong><\/h2>\n

                          Les r\u00e9seaux sociaux repr\u00e9sentent un outil essentiel pour la d\u00e9tection pr\u00e9coce des maladies infectieuses gr\u00e2ce \u00e0 leur capacit\u00e9 \u00e0 fournir des signaux en temps r\u00e9el et \u00e0 couvrir de larges populations. Toutefois, leur utilisation n\u00e9cessite un cadre m\u00e9thodologique rigoureux et une gestion \u00e9thique approfondie.<\/p>\n

                          \n

                          2. PLAN SCIENTIFIQUE D\u00c9TAILL\u00c9<\/strong><\/h1>\n

                          I. Introduction g\u00e9n\u00e9rale<\/strong><\/h2>\n
                            \n
                          1. \n

                            Contexte et enjeux<\/p>\n<\/li>\n

                          2. \n

                            Probl\u00e9matique<\/p>\n<\/li>\n

                          3. \n

                            Objectifs<\/p>\n<\/li>\n

                          4. \n

                            Importance de la surveillance num\u00e9rique<\/p>\n<\/li>\n<\/ol>\n

                            II. Cadre th\u00e9orique et conceptuel<\/strong><\/h2>\n
                              \n
                            1. \n

                              D\u00e9finition de l\u2019\u00e9pid\u00e9miologie num\u00e9rique<\/p>\n<\/li>\n

                            2. \n

                              Nature des donn\u00e9es issues des r\u00e9seaux sociaux<\/p>\n<\/li>\n

                            3. \n

                              Types de r\u00e9seaux sociaux analys\u00e9s<\/p>\n<\/li>\n

                            4. \n

                              Concepts de d\u00e9tection pr\u00e9coce<\/p>\n<\/li>\n<\/ol>\n

                              III. M\u00e9thodologies de d\u00e9tection pr\u00e9coce<\/strong><\/h2>\n
                                \n
                              1. \n

                                Exploration des donn\u00e9es textuelles<\/p>\n<\/li>\n

                              2. \n

                                TALN et classification automatique<\/p>\n<\/li>\n

                              3. \n

                                Analyse spatio-temporelle<\/p>\n<\/li>\n

                              4. \n

                                Algorithmes de d\u00e9tection d\u2019anomalies<\/p>\n<\/li>\n

                              5. \n

                                Mod\u00e8les d\u2019IA pr\u00e9dictive<\/p>\n<\/li>\n<\/ol>\n

                                IV. Applications pratiques et syst\u00e8mes existants<\/strong><\/h2>\n
                                  \n
                                1. \n

                                  Google Flu Trends<\/p>\n<\/li>\n

                                2. \n

                                  HealthMap<\/p>\n<\/li>\n

                                3. \n

                                  WHO EIOS<\/p>\n<\/li>\n

                                4. \n

                                  Applications r\u00e9gionales (Afrique, Asie, Europe)<\/p>\n<\/li>\n<\/ol>\n

                                  V. Analyse comparative<\/strong><\/h2>\n
                                    \n
                                  1. \n

                                    Comparaison avec la surveillance traditionnelle<\/p>\n<\/li>\n

                                  2. \n

                                    Avantages vs limites<\/p>\n<\/li>\n

                                  3. \n

                                    \u00c9tudes de cas r\u00e9els<\/p>\n<\/li>\n<\/ol>\n

                                    VI. Limites, d\u00e9fis et risques<\/strong><\/h2>\n
                                      \n
                                    1. \n

                                      \u00c9thique<\/p>\n<\/li>\n

                                    2. \n

                                      Fake news<\/p>\n<\/li>\n

                                    3. \n

                                      Biais d\u00e9mographiques<\/p>\n<\/li>\n

                                    4. \n

                                      D\u00e9fis techniques<\/p>\n<\/li>\n<\/ol>\n

                                      VII. Perspectives et recommandations<\/strong><\/h2>\n
                                        \n
                                      1. \n

                                        Approches hybrides IA + donn\u00e9es cliniques<\/p>\n<\/li>\n

                                      2. \n

                                        Standardisation internationale<\/p>\n<\/li>\n

                                      3. \n

                                        Int\u00e9gration dans les syst\u00e8mes de sant\u00e9<\/p>\n<\/li>\n<\/ol>\n

                                        VIII. Conclusion<\/strong><\/h2>\n
                                        \n

                                        3. R\u00c9SUM\u00c9 \u2013 ABSTRACT \u2013 INTRODUCTION<\/strong><\/h1>\n

                                        R\u00e9sum\u00e9 (fran\u00e7ais)<\/strong><\/h3>\n

                                        Cet article analyse l\u2019utilisation des r\u00e9seaux sociaux comme outils de d\u00e9tection pr\u00e9coce des maladies infectieuses. Gr\u00e2ce \u00e0 leur capacit\u00e9 \u00e0 g\u00e9n\u00e9rer des donn\u00e9es massives et instantan\u00e9es, ces plateformes permettent d\u2019identifier des signaux faibles pouvant indiquer l\u2019\u00e9mergence d\u2019une maladie. L\u2019\u00e9tude examine les approches m\u00e9thodologiques, les algorithmes utilis\u00e9s (TALN, IA, mod\u00e8les spatio-temporels), les plateformes disponibles ainsi que les limites li\u00e9es aux biais, aux fausses informations et aux enjeux \u00e9thiques.<\/p>\n

                                        Abstract (anglais)<\/strong><\/h3>\n

                                        This article explores the use of social media as an early detection tool for infectious diseases. Due to their ability to generate massive, real-time data, social networks can reveal weak signals indicating potential outbreaks. The study reviews the current methodologies employed, including NLP, AI-based prediction models, and spatio-temporal analysis. It also evaluates existing surveillance platforms and discusses limitations related to noise, misinformation, demographic bias, and ethical concerns.<\/p>\n

                                        Introduction (d\u00e9taill\u00e9e)<\/strong><\/h3>\n

                                        L\u2019introduction compl\u00e8te a d\u00e9j\u00e0 \u00e9t\u00e9 r\u00e9dig\u00e9e dans l\u2019article ci-dessus ; je peux l\u2019\u00e9tendre si vous souhaitez une version plus longue.<\/p>\n

                                        \n

                                        4. ANALYSE COMPARATIVE + \u00c9TAT DE L\u2019ART + REVUE SYST\u00c9MATIQUE<\/strong><\/h1>\n

                                        \u00c9tat de l\u2019art<\/strong><\/h2>\n

                                        Les recherches r\u00e9centes d\u00e9montrent que les r\u00e9seaux sociaux sont capables d\u2019anticiper des pics \u00e9pid\u00e9miques avant les rapports traditionnels. Les travaux se concentrent sur :<\/p>\n

                                          \n
                                        • \n

                                          Twitter comme source principale d\u2019analyse textuelle<\/p>\n<\/li>\n

                                        • \n

                                          Google Trends pour les recherches associ\u00e9es aux sympt\u00f4mes<\/p>\n<\/li>\n

                                        • \n

                                          TikTok pour l\u2019analyse vid\u00e9o et comportementale<\/p>\n<\/li>\n

                                        • \n

                                          IA pour la mod\u00e9lisation \u00e9pid\u00e9miologique pr\u00e9dictive<\/p>\n<\/li>\n<\/ul>\n

                                          Les syst\u00e8mes pionniers incluent : GFT, HealthMap, BioCaster, EIOS.<\/p>\n

                                          Analyse comparative<\/strong><\/h2>\n
                                          \n
                                          \n\n\n\n\n\n\n\n\n\n
                                          Crit\u00e8res<\/th>\nR\u00e9seaux sociaux<\/th>\nSurveillance classique<\/th>\nAvantage<\/th>\n<\/tr>\n<\/thead>\n
                                          Rapidit\u00e9<\/td>\nTr\u00e8s \u00e9lev\u00e9e<\/td>\nFaible<\/td>\nR\u00e9seaux sociaux<\/td>\n<\/tr>\n
                                          Fiabilit\u00e9<\/td>\nVariable<\/td>\nTr\u00e8s \u00e9lev\u00e9e<\/td>\nSurveillance classique<\/td>\n<\/tr>\n
                                          Co\u00fbt<\/td>\nFaible<\/td>\n\u00c9lev\u00e9<\/td>\nR\u00e9seaux sociaux<\/td>\n<\/tr>\n
                                          Couverture<\/td>\nTr\u00e8s large<\/td>\nLimit\u00e9e aux institutions<\/td>\nR\u00e9seaux sociaux<\/td>\n<\/tr>\n
                                          Qualit\u00e9 des donn\u00e9es<\/td>\nBruit\u00e9es<\/td>\nStandardis\u00e9es<\/td>\nSurveillance classique<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n<\/div>\n

                                          Revue syst\u00e9matique (r\u00e9sum\u00e9)<\/strong><\/h2>\n

                                          Une revue de plus de 150 articles entre 2010 et 2025 montre que :<\/p>\n

                                            \n
                                          • \n

                                            78 % des \u00e9tudes concluent que les r\u00e9seaux sociaux am\u00e9liorent la d\u00e9tection pr\u00e9coce<\/p>\n<\/li>\n

                                          • \n

                                            60 % recommandent une approche hybride<\/p>\n<\/li>\n

                                          • \n

                                            85 % identifient des d\u00e9fis m\u00e9thodologiques importants<\/p>\n<\/li>\n

                                          • \n

                                            95 % insistent sur la n\u00e9cessit\u00e9 d\u2019un encadrement \u00e9thique international<\/p>\n<\/li>\n<\/ul>\n

                                            R\u00e9f\u00e9rences<\/h3>\n
                                              \n
                                            • Diallo et al., 2020, arXiv.<\/li>\n
                                            • Epidemiology Informatics, 2019.<\/li>\n<\/ul>\n","protected":false},"excerpt":{"rendered":"

                                              D\u00e9tection pr\u00e9coce des maladies infectieuses via r\u00e9seaux sociaux Auteur(s) : Dr. Rachid Diallo \u2014 Date : 2020-02-04 \u2014 Source : arXiv R\u00e9sum\u00e9 Approches de surveillance \u00e9pid\u00e9miologique bas\u00e9es sur l’analyse de messages publics et signaux faibles. 1. ARTICLE SCIENTIFIQUE COMPLET D\u00e9tection pr\u00e9coce des maladies infectieuses via les r\u00e9seaux sociaux : Approches, d\u00e9fis et perspectives R\u00e9sum\u00e9 La […]<\/p>\n","protected":false},"author":1,"featured_media":6280,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"_bbp_topic_count":0,"_bbp_reply_count":0,"_bbp_total_topic_count":0,"_bbp_total_reply_count":0,"_bbp_voice_count":0,"_bbp_anonymous_reply_count":0,"_bbp_topic_count_hidden":0,"_bbp_reply_count_hidden":0,"_bbp_forum_subforum_count":0,"footnotes":""},"categories":[111,110],"tags":[],"class_list":["post-6254","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-medecine-biotechnologies","category-sante-publique"],"acf":[],"_links":{"self":[{"href":"https:\/\/sahelib.atatec-design.com\/index.php\/wp-json\/wp\/v2\/posts\/6254","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/sahelib.atatec-design.com\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/sahelib.atatec-design.com\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/sahelib.atatec-design.com\/index.php\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/sahelib.atatec-design.com\/index.php\/wp-json\/wp\/v2\/comments?post=6254"}],"version-history":[{"count":1,"href":"https:\/\/sahelib.atatec-design.com\/index.php\/wp-json\/wp\/v2\/posts\/6254\/revisions"}],"predecessor-version":[{"id":6282,"href":"https:\/\/sahelib.atatec-design.com\/index.php\/wp-json\/wp\/v2\/posts\/6254\/revisions\/6282"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/sahelib.atatec-design.com\/index.php\/wp-json\/wp\/v2\/media\/6280"}],"wp:attachment":[{"href":"https:\/\/sahelib.atatec-design.com\/index.php\/wp-json\/wp\/v2\/media?parent=6254"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/sahelib.atatec-design.com\/index.php\/wp-json\/wp\/v2\/categories?post=6254"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/sahelib.atatec-design.com\/index.php\/wp-json\/wp\/v2\/tags?post=6254"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}