„`html
Künstliche Intelligenzen erkennen Nebenwirkungen von Medikamenten in Patientenakten
Elektronische Patientenakten enthalten eine Fülle von Informationen über Nebenwirkungen von Medikamenten, die oft in Pharmakovigilanz-Datenbanken nicht erfasst werden. Eine aktuelle Studie hat gezeigt, dass ein fortschrittliches KI-Modell diese Akten analysieren kann, um Zusammenhänge zwischen einem Medikament und einer Nebenwirkung mit bemerkenswerter Genauigkeit zu identifizieren.
Das Werkzeug wurde an 372 verschiedenen medizinischen Berichten getestet, die aus verschiedenen Fachrichtungen und klinischen Kontexten stammten. Von den 191 vom Modell erkannten Nebenwirkungen erwiesen sich 180 als korrekt, was einer Genauigkeitsrate von 94,2 % entspricht. Darüber hinaus identifizierte das System die Schwere der Nebenwirkungen in 100 % der Fälle und ihren undokumentierten Charakter in 93,9 % der Situationen korrekt. Etwa 12 % der erkannten Nebenwirkungen wurden nach den Kriterien der Food and Drug Administration als schwerwiegend eingestuft, und 15 % waren nicht in den Packungsbeilagen der Medikamente aufgeführt.
Die Kosten dieser Analyse bleiben moderat: durchschnittlich 0,18 Dollar pro Akte und 0,35 Dollar pro validierter Nebenwirkung. Das Modell hat sogar Nebenwirkungen erkannt, die von den Ärzten nicht gemeldet wurden, wie z. B. einen Magnesiummangel in Verbindung mit der Einnahme von Tacrolimus, einem immunsuppressiven Medikament.
Im Gegensatz zu traditionellen Methoden, die auf festen Regeln oder Satz-für-Satz-Analysen basieren, verwendet dieser Ansatz ein Modell, das den globalen Kontext eines Berichts verstehen kann. Es berücksichtigt subtile Hinweise, wie die Entscheidungen der Ärzte, eine Behandlung aufgrund einer Nebenwirkung abzusetzen oder anzupassen. Dadurch können echte Ursache-Wirkungs-Zusammenhänge von bloßen Zufällen unterschieden werden.
Die Ergebnisse zeigen, dass diese Technologie die Überwachung von Medikamenten nach ihrer Markteinführung revolutionieren könnte. Durch die Integration solcher Werkzeuge in bestehende Systeme, wie sie von Gesundheitsbehörden genutzt werden, könnte es möglich sein, Sicherheitshinweise schneller zu erkennen, einschließlich seltener oder schwerwiegender, noch nicht dokumentierter Nebenwirkungen. Dies würde den Weg für einen besseren Schutz der Patienten vor behandlungsbedingten Risiken ebnen.
Das Modell hat auch seine Fähigkeit unter Beweis gestellt, Nebenwirkungen nach ihrer Schwere, ihrem unerwarteten Charakter oder ihrem Zusammenhang mit der aktuellen Erkrankung des Patienten zu klassifizieren. So hat es beispielsweise korrekt erkannt, dass einige Nebenwirkungen, obwohl sie nicht in den Packungsbeilagen erwähnt werden, bereits in der wissenschaftlichen Literatur bekannt sind. In anderen Fällen hat es Nebenwirkungen identifiziert, die bisher nicht mit einem Medikament in Verbindung gebracht wurden, und damit neue Ansätze für die Forschung geliefert.
Eine Herausforderung bleibt bestehen: Das Modell kann manchmal Informationen erfinden, wie z. B. Medikamentennamen oder medizinische Begriffe, insbesondere wenn Daten teilweise anonymisiert wurden, um die Privatsphäre zu schützen. Diese Fehler bleiben jedoch in der Minderheit und beeinträchtigen die Gesamtqualität der Ergebnisse nicht signifikant.
Dieser Fortschritt könnte es Gesundheitsbehörden und Pharmaunternehmen daher ermöglichen, die Arzneimittelsicherheit in Echtzeit besser zu überwachen, indem eine bisher untergenutzte Informationsquelle genutzt wird: die detaillierten klinischen Notizen von Gesundheitsfachkräften.
„`
Sources et crédits
Étude source
DOI : https://doi.org/10.1007/s40264-026-01682-6
Titre : A Large Language Model for Extracting Post-marketing Adverse Drug Events from Clinical Notes in the Electronic Health Record
Revue : Drug Safety
Éditeur : Springer Science and Business Media LLC
Auteurs : Dana Ludwig; Michelle Wang; James Buchanan; Trang Trinh