«`html
Las inteligencias artificiales detectan los efectos adversos de los medicamentos en los historiales médicos
Los historiales médicos electrónicos contienen una mina de información sobre los efectos adversos de los medicamentos que a menudo escapan a las bases de datos de farmacovigilancia. Un estudio reciente ha demostrado que un modelo avanzado de inteligencia artificial puede analizar estos historiales para identificar vínculos entre un medicamento y un efecto secundario con una precisión notable.
La herramienta fue probada en 372 informes médicos variados, procedentes de diferentes especialidades y contextos clínicos. Entre los 191 efectos adversos detectados por el modelo, 180 resultaron ser exactos, lo que representa una tasa de precisión del 94,2 %. Además, el sistema identificó correctamente la gravedad de los efectos en el 100 % de los casos y su carácter no documentado en el 93,9 % de las situaciones. Aproximadamente el 12 % de los efectos detectados se consideraban graves según los criterios de la Food and Drug Administration, y el 15 % no estaban mencionados en los prospectos de los medicamentos.
El coste de este análisis sigue siendo moderado: un promedio de 0,18 dólares por historial y 0,35 dólares por efecto adverso validado. El modelo incluso detectó efectos no reportados por los médicos, como una disminución de magnesio relacionada con la toma de tacrolimus, un medicamento inmunosupresor.
A diferencia de los métodos tradicionales, que se basan en reglas fijas o análisis por frases, este enfoque utiliza un modelo capaz de comprender el contexto global de un informe. Tiene en cuenta indicios sutiles, como las decisiones de los médicos de suspender o ajustar un tratamiento debido a un efecto adverso. Esto permite distinguir los verdaderos vínculos de causa-efecto de simples coincidencias.
Los resultados muestran que esta tecnología podría transformar la vigilancia de los medicamentos tras su comercialización. Al integrar este tipo de herramientas en los sistemas existentes, como los utilizados por las autoridades sanitarias, sería posible detectar más rápidamente señales de seguridad, incluidos efectos raros o graves aún no documentados. Esto abriría el camino a una mejor protección de los pacientes contra los riesgos relacionados con los tratamientos.
El modelo también ha demostrado su capacidad para clasificar los efectos adversos según su gravedad, su carácter inesperado o su relación con la enfermedad actual del paciente. Por ejemplo, identificó correctamente que algunos efectos, aunque no mencionados en los prospectos, ya eran conocidos en la literatura científica. En otros casos, detectó efectos aún no asociados a un medicamento, ofreciendo así nuevas pistas para la investigación.
Un desafío persiste: el modelo a veces puede inventar información, como nombres de medicamentos o términos médicos, especialmente cuando los datos están parcialmente ocultos para proteger la privacidad. Sin embargo, estos errores siguen siendo minoritarios y no afectan significativamente la calidad global de los resultados.
Este avance podría permitir, por tanto, a las autoridades sanitarias y a los laboratorios farmacéuticos supervisar mejor la seguridad de los medicamentos en tiempo real, aprovechando una fuente de información hasta ahora subutilizada: las notas clínicas detalladas de los profesionales de la salud.
«`
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