![\"Las](\"https:\/\/journalofartificialintelligence.com\/\/es\/wp-content\/uploads\/shared\/tablets-3160226_1280.jpg\")
\u00ab`html<\/p>\n\u00ab`html<\/p>\n
Los historiales m\u00e9dicos electr\u00f3nicos contienen una mina de informaci\u00f3n 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 v\u00ednculos entre un medicamento y un efecto secundario con una precisi\u00f3n notable.<\/p>\n
La herramienta fue probada en 372 informes m\u00e9dicos variados, procedentes de diferentes especialidades y contextos cl\u00ednicos. Entre los 191 efectos adversos detectados por el modelo, 180 resultaron ser exactos, lo que representa una tasa de precisi\u00f3n del 94,2 %. Adem\u00e1s, el sistema identific\u00f3 correctamente la gravedad de los efectos en el 100 % de los casos y su car\u00e1cter no documentado en el 93,9 % de las situaciones. Aproximadamente el 12 % de los efectos detectados se consideraban graves seg\u00fan los criterios de la Food and Drug Administration, y el 15 % no estaban mencionados en los prospectos de los medicamentos.<\/p>\n
El coste de este an\u00e1lisis sigue siendo moderado: un promedio de 0,18 d\u00f3lares por historial y 0,35 d\u00f3lares por efecto adverso validado. El modelo incluso detect\u00f3 efectos no reportados por los m\u00e9dicos, como una disminuci\u00f3n de magnesio relacionada con la toma de tacrolimus, un medicamento inmunosupresor.<\/p>\n
A diferencia de los m\u00e9todos tradicionales, que se basan en reglas fijas o an\u00e1lisis 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 m\u00e9dicos de suspender o ajustar un tratamiento debido a un efecto adverso. Esto permite distinguir los verdaderos v\u00ednculos de causa-efecto de simples coincidencias.<\/p>\n
Los resultados muestran que esta tecnolog\u00eda podr\u00eda transformar la vigilancia de los medicamentos tras su comercializaci\u00f3n. Al integrar este tipo de herramientas en los sistemas existentes, como los utilizados por las autoridades sanitarias, ser\u00eda posible detectar m\u00e1s r\u00e1pidamente se\u00f1ales de seguridad, incluidos efectos raros o graves a\u00fan no documentados. Esto abrir\u00eda el camino a una mejor protecci\u00f3n de los pacientes contra los riesgos relacionados con los tratamientos.<\/p>\n
El modelo tambi\u00e9n ha demostrado su capacidad para clasificar los efectos adversos seg\u00fan su gravedad, su car\u00e1cter inesperado o su relaci\u00f3n con la enfermedad actual del paciente. Por ejemplo, identific\u00f3 correctamente que algunos efectos, aunque no mencionados en los prospectos, ya eran conocidos en la literatura cient\u00edfica. En otros casos, detect\u00f3 efectos a\u00fan no asociados a un medicamento, ofreciendo as\u00ed nuevas pistas para la investigaci\u00f3n.<\/p>\n
Un desaf\u00edo persiste: el modelo a veces puede inventar informaci\u00f3n, como nombres de medicamentos o t\u00e9rminos m\u00e9dicos, especialmente cuando los datos est\u00e1n parcialmente ocultos para proteger la privacidad. Sin embargo, estos errores siguen siendo minoritarios y no afectan significativamente la calidad global de los resultados.<\/p>\n
Este avance podr\u00eda permitir, por tanto, a las autoridades sanitarias y a los laboratorios farmac\u00e9uticos supervisar mejor la seguridad de los medicamentos en tiempo real, aprovechando una fuente de informaci\u00f3n hasta ahora subutilizada: las notas cl\u00ednicas detalladas de los profesionales de la salud.<\/p>\n
\u00ab`<\/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":" \u00ab`html Las inteligencias artificiales detectan los efectos adversos de los medicamentos en los historiales m\u00e9dicos Los historiales m\u00e9dicos electr\u00f3nicos contienen una mina de informaci\u00f3n 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… Seguir leyendo Las inteligencias artificiales detectan los efectos adversos de los medicamentos en los historiales m\u00e9dicos<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3,8,2],"tags":[],"class_list":["post-55","post","type-post","status-publish","format-standard","hentry","category-ciencia-y-tecnologia","category-economia-y-negocios","category-salud","entry"],"_links":{"self":[{"href":"https:\/\/journalofartificialintelligence.com\/es\/wp-json\/wp\/v2\/posts\/55","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/journalofartificialintelligence.com\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/journalofartificialintelligence.com\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/journalofartificialintelligence.com\/es\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/journalofartificialintelligence.com\/es\/wp-json\/wp\/v2\/comments?post=55"}],"version-history":[{"count":1,"href":"https:\/\/journalofartificialintelligence.com\/es\/wp-json\/wp\/v2\/posts\/55\/revisions"}],"predecessor-version":[{"id":56,"href":"https:\/\/journalofartificialintelligence.com\/es\/wp-json\/wp\/v2\/posts\/55\/revisions\/56"}],"wp:attachment":[{"href":"https:\/\/journalofartificialintelligence.com\/es\/wp-json\/wp\/v2\/media?parent=55"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/journalofartificialintelligence.com\/es\/wp-json\/wp\/v2\/categories?post=55"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/journalofartificialintelligence.com\/es\/wp-json\/wp\/v2\/tags?post=55"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}