Les intelligences artificielles détectent les effets indésirables des médicaments dans les dossiers médicaux
Les dossiers médicaux électroniques contiennent une mine d’informations sur les effets indésirables des médicaments qui échappent souvent aux bases de données de pharmacovigilance. Une étude récente a démontré qu’un modèle d’intelligence artificielle avancé peut analyser ces dossiers pour identifier des liens entre un médicament et un effet secondaire avec une précision remarquable.
L’outil a été testé sur 372 comptes-rendus médicaux variés, issus de différentes spécialités et contextes cliniques. Parmi les 191 effets indésirables repérés par le modèle, 180 se sont avérés exacts, soit un taux de précision de 94,2 %. De plus, le système a correctement identifié la gravité des effets dans 100 % des cas et leur caractère non documenté dans 93,9 % des situations. Environ 12 % des effets détectés étaient considérés comme graves selon les critères de la Food and Drug Administration, et 15 % n’étaient pas mentionnés sur les notices des médicaments.
Le coût de cette analyse reste modéré : en moyenne 0,18 dollar par dossier et 0,35 dollar par effet indésirable validé. Le modèle a même repéré des effets non signalés par les médecins, comme une baisse de magnésium liée à la prise de tacrolimus, un médicament immunosuppresseur.
Contrairement aux méthodes traditionnelles, qui se basent sur des règles fixes ou des analyses par phrase, cette approche utilise un modèle capable de comprendre le contexte global d’un compte-rendu. Elle prend en compte des indices subtils, comme les décisions des médecins d’arrêter ou d’ajuster un traitement en raison d’un effet indésirable. Cela permet de distinguer les véritables liens de cause à effet des simples coïncidences.
Les résultats montrent que cette technologie pourrait transformer la surveillance des médicaments après leur mise sur le marché. En intégrant ce type d’outil aux systèmes existants, comme ceux utilisés par les autorités sanitaires, il serait possible de détecter plus rapidement des signaux de sécurité, y compris des effets rares ou graves non encore documentés. Cela ouvrirait la voie à une meilleure protection des patients contre les risques liés aux traitements.
Le modèle a également démontré sa capacité à classer les effets indésirables selon leur gravité, leur caractère inattendu ou leur lien avec la maladie actuelle du patient. Par exemple, il a correctement identifié que certains effets, bien que non mentionnés dans les notices, étaient déjà connus dans la littérature scientifique. Dans d’autres cas, il a repéré des effets non encore associés à un médicament, offrant ainsi de nouvelles pistes pour la recherche.
Un défi persiste : le modèle peut parfois inventer des informations, comme des noms de médicaments ou des termes médicaux, surtout lorsque les données sont partiellement masquées pour protéger la vie privée. Cependant, ces erreurs restent minoritaires et n’affectent pas significativement la qualité globale des résultats.
Cette avancée pourrait donc permettre aux autorités sanitaires et aux laboratoires pharmaceutiques de mieux surveiller la sécurité des médicaments en temps réel, en exploitant une source d’informations jusqu’ici sous-utilisée : les notes cliniques détaillées des professionnels de santé.
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