![\"K\u00fcnstliche](\"https:\/\/journalofartificialintelligence.com\/\/de\/wp-content\/uploads\/shared\/tablets-3160226_1280.jpg\")
„`html<\/p>\n„`html<\/p>\n
Elektronische Patientenakten enthalten eine F\u00fclle von Informationen \u00fcber 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 Zusammenh\u00e4nge zwischen einem Medikament und einer Nebenwirkung mit bemerkenswerter Genauigkeit zu identifizieren.<\/p>\n
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. Dar\u00fcber hinaus identifizierte das System die Schwere der Nebenwirkungen in 100 % der F\u00e4lle 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 aufgef\u00fchrt.<\/p>\n
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 \u00c4rzten nicht gemeldet wurden, wie z. B. einen Magnesiummangel in Verbindung mit der Einnahme von Tacrolimus, einem immunsuppressiven Medikament.<\/p>\n
Im Gegensatz zu traditionellen Methoden, die auf festen Regeln oder Satz-f\u00fcr-Satz-Analysen basieren, verwendet dieser Ansatz ein Modell, das den globalen Kontext eines Berichts verstehen kann. Es ber\u00fccksichtigt subtile Hinweise, wie die Entscheidungen der \u00c4rzte, eine Behandlung aufgrund einer Nebenwirkung abzusetzen oder anzupassen. Dadurch k\u00f6nnen echte Ursache-Wirkungs-Zusammenh\u00e4nge von blo\u00dfen Zuf\u00e4llen unterschieden werden.<\/p>\n
Die Ergebnisse zeigen, dass diese Technologie die \u00dcberwachung von Medikamenten nach ihrer Markteinf\u00fchrung revolutionieren k\u00f6nnte. Durch die Integration solcher Werkzeuge in bestehende Systeme, wie sie von Gesundheitsbeh\u00f6rden genutzt werden, k\u00f6nnte es m\u00f6glich sein, Sicherheitshinweise schneller zu erkennen, einschlie\u00dflich seltener oder schwerwiegender, noch nicht dokumentierter Nebenwirkungen. Dies w\u00fcrde den Weg f\u00fcr einen besseren Schutz der Patienten vor behandlungsbedingten Risiken ebnen.<\/p>\n
Das Modell hat auch seine F\u00e4higkeit 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 erw\u00e4hnt werden, bereits in der wissenschaftlichen Literatur bekannt sind. In anderen F\u00e4llen hat es Nebenwirkungen identifiziert, die bisher nicht mit einem Medikament in Verbindung gebracht wurden, und damit neue Ans\u00e4tze f\u00fcr die Forschung geliefert.<\/p>\n
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 Privatsph\u00e4re zu sch\u00fctzen. Diese Fehler bleiben jedoch in der Minderheit und beeintr\u00e4chtigen die Gesamtqualit\u00e4t der Ergebnisse nicht signifikant.<\/p>\n
Dieser Fortschritt k\u00f6nnte es Gesundheitsbeh\u00f6rden und Pharmaunternehmen daher erm\u00f6glichen, die Arzneimittelsicherheit in Echtzeit besser zu \u00fcberwachen, indem eine bisher untergenutzte Informationsquelle genutzt wird: die detaillierten klinischen Notizen von Gesundheitsfachkr\u00e4ften.<\/p>\n
„`<\/p>\n
DOI\u00a0:<\/strong> https:\/\/doi.org\/10.1007\/s40264-026-01682-6<\/a><\/p>\n Titre\u00a0:<\/strong> A Large Language Model for Extracting Post-marketing Adverse Drug Events from Clinical Notes in the Electronic Health Record<\/p>\n Revue : <\/strong> Drug Safety<\/p>\n \u00c9diteur : <\/strong> Springer Science and Business Media LLC<\/p>\n Auteurs : <\/strong> Dana Ludwig; Michelle Wang; James Buchanan; Trang Trinh<\/p>\n","protected":false},"excerpt":{"rendered":" „`html K\u00fcnstliche Intelligenzen erkennen Nebenwirkungen von Medikamenten in Patientenakten Elektronische Patientenakten enthalten eine F\u00fclle von Informationen \u00fcber 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 Zusammenh\u00e4nge zwischen einem Medikament und einer Nebenwirkung mit bemerkenswerter Genauigkeit zu identifizieren. Das Werkzeug… K\u00fcnstliche Intelligenzen erkennen Nebenwirkungen von Medikamenten in Patientenakten<\/span> weiterlesen<\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[2],"tags":[],"class_list":["post-55","post","type-post","status-publish","format-standard","hentry","category-gesundheit","entry"],"_links":{"self":[{"href":"https:\/\/journalofartificialintelligence.com\/de\/wp-json\/wp\/v2\/posts\/55","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/journalofartificialintelligence.com\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/journalofartificialintelligence.com\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/journalofartificialintelligence.com\/de\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/journalofartificialintelligence.com\/de\/wp-json\/wp\/v2\/comments?post=55"}],"version-history":[{"count":1,"href":"https:\/\/journalofartificialintelligence.com\/de\/wp-json\/wp\/v2\/posts\/55\/revisions"}],"predecessor-version":[{"id":56,"href":"https:\/\/journalofartificialintelligence.com\/de\/wp-json\/wp\/v2\/posts\/55\/revisions\/56"}],"wp:attachment":[{"href":"https:\/\/journalofartificialintelligence.com\/de\/wp-json\/wp\/v2\/media?parent=55"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/journalofartificialintelligence.com\/de\/wp-json\/wp\/v2\/categories?post=55"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/journalofartificialintelligence.com\/de\/wp-json\/wp\/v2\/tags?post=55"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}