![\"Les](\"https:\/\/journalofartificialintelligence.com\/\/fr\/wp-content\/uploads\/shared\/tablets-3160226_1280.jpg\")
<\/p>\n<\/p>\n
Les dossiers m\u00e9dicaux \u00e9lectroniques contiennent une mine d\u2019informations sur les effets ind\u00e9sirables des m\u00e9dicaments qui \u00e9chappent souvent aux bases de donn\u00e9es de pharmacovigilance. Une \u00e9tude r\u00e9cente a d\u00e9montr\u00e9 qu\u2019un mod\u00e8le d\u2019intelligence artificielle avanc\u00e9 peut analyser ces dossiers pour identifier des liens entre un m\u00e9dicament et un effet secondaire avec une pr\u00e9cision remarquable.<\/p>\n
L\u2019outil a \u00e9t\u00e9 test\u00e9 sur 372 comptes-rendus m\u00e9dicaux vari\u00e9s, issus de diff\u00e9rentes sp\u00e9cialit\u00e9s et contextes cliniques. Parmi les 191 effets ind\u00e9sirables rep\u00e9r\u00e9s par le mod\u00e8le, 180 se sont av\u00e9r\u00e9s exacts, soit un taux de pr\u00e9cision de 94,2 %. De plus, le syst\u00e8me a correctement identifi\u00e9 la gravit\u00e9 des effets dans 100 % des cas et leur caract\u00e8re non document\u00e9 dans 93,9 % des situations. Environ 12 % des effets d\u00e9tect\u00e9s \u00e9taient consid\u00e9r\u00e9s comme graves selon les crit\u00e8res de la Food and Drug Administration, et 15 % n\u2019\u00e9taient pas mentionn\u00e9s sur les notices des m\u00e9dicaments.<\/p>\n
Le co\u00fbt de cette analyse reste mod\u00e9r\u00e9 : en moyenne 0,18 dollar par dossier et 0,35 dollar par effet ind\u00e9sirable valid\u00e9. Le mod\u00e8le a m\u00eame rep\u00e9r\u00e9 des effets non signal\u00e9s par les m\u00e9decins, comme une baisse de magn\u00e9sium li\u00e9e \u00e0 la prise de tacrolimus, un m\u00e9dicament immunosuppresseur.<\/p>\n
Contrairement aux m\u00e9thodes traditionnelles, qui se basent sur des r\u00e8gles fixes ou des analyses par phrase, cette approche utilise un mod\u00e8le capable de comprendre le contexte global d\u2019un compte-rendu. Elle prend en compte des indices subtils, comme les d\u00e9cisions des m\u00e9decins d\u2019arr\u00eater ou d\u2019ajuster un traitement en raison d\u2019un effet ind\u00e9sirable. Cela permet de distinguer les v\u00e9ritables liens de cause \u00e0 effet des simples co\u00efncidences.<\/p>\n
Les r\u00e9sultats montrent que cette technologie pourrait transformer la surveillance des m\u00e9dicaments apr\u00e8s leur mise sur le march\u00e9. En int\u00e9grant ce type d\u2019outil aux syst\u00e8mes existants, comme ceux utilis\u00e9s par les autorit\u00e9s sanitaires, il serait possible de d\u00e9tecter plus rapidement des signaux de s\u00e9curit\u00e9, y compris des effets rares ou graves non encore document\u00e9s. Cela ouvrirait la voie \u00e0 une meilleure protection des patients contre les risques li\u00e9s aux traitements.<\/p>\n
Le mod\u00e8le a \u00e9galement d\u00e9montr\u00e9 sa capacit\u00e9 \u00e0 classer les effets ind\u00e9sirables selon leur gravit\u00e9, leur caract\u00e8re inattendu ou leur lien avec la maladie actuelle du patient. Par exemple, il a correctement identifi\u00e9 que certains effets, bien que non mentionn\u00e9s dans les notices, \u00e9taient d\u00e9j\u00e0 connus dans la litt\u00e9rature scientifique. Dans d\u2019autres cas, il a rep\u00e9r\u00e9 des effets non encore associ\u00e9s \u00e0 un m\u00e9dicament, offrant ainsi de nouvelles pistes pour la recherche.<\/p>\n
Un d\u00e9fi persiste : le mod\u00e8le peut parfois inventer des informations, comme des noms de m\u00e9dicaments ou des termes m\u00e9dicaux, surtout lorsque les donn\u00e9es sont partiellement masqu\u00e9es pour prot\u00e9ger la vie priv\u00e9e. Cependant, ces erreurs restent minoritaires et n\u2019affectent pas significativement la qualit\u00e9 globale des r\u00e9sultats.<\/p>\n
Cette avanc\u00e9e pourrait donc permettre aux autorit\u00e9s sanitaires et aux laboratoires pharmaceutiques de mieux surveiller la s\u00e9curit\u00e9 des m\u00e9dicaments en temps r\u00e9el, en exploitant une source d\u2019informations jusqu\u2019ici sous-utilis\u00e9e : les notes cliniques d\u00e9taill\u00e9es des professionnels de sant\u00e9.<\/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":" Les intelligences artificielles d\u00e9tectent les effets ind\u00e9sirables des m\u00e9dicaments dans les dossiers m\u00e9dicaux Les dossiers m\u00e9dicaux \u00e9lectroniques contiennent une mine d\u2019informations sur les effets ind\u00e9sirables des m\u00e9dicaments qui \u00e9chappent souvent aux bases de donn\u00e9es de pharmacovigilance. Une \u00e9tude r\u00e9cente a d\u00e9montr\u00e9 qu\u2019un mod\u00e8le d\u2019intelligence artificielle avanc\u00e9 peut analyser ces dossiers pour identifier des liens entre… Poursuivre la lecture Les intelligences artificielles d\u00e9tectent les effets ind\u00e9sirables des m\u00e9dicaments dans les dossiers m\u00e9dicaux<\/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":[2],"tags":[],"class_list":["post-59","post","type-post","status-publish","format-standard","hentry","category-sante","entry"],"_links":{"self":[{"href":"https:\/\/journalofartificialintelligence.com\/fr\/wp-json\/wp\/v2\/posts\/59","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/journalofartificialintelligence.com\/fr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/journalofartificialintelligence.com\/fr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/journalofartificialintelligence.com\/fr\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/journalofartificialintelligence.com\/fr\/wp-json\/wp\/v2\/comments?post=59"}],"version-history":[{"count":1,"href":"https:\/\/journalofartificialintelligence.com\/fr\/wp-json\/wp\/v2\/posts\/59\/revisions"}],"predecessor-version":[{"id":60,"href":"https:\/\/journalofartificialintelligence.com\/fr\/wp-json\/wp\/v2\/posts\/59\/revisions\/60"}],"wp:attachment":[{"href":"https:\/\/journalofartificialintelligence.com\/fr\/wp-json\/wp\/v2\/media?parent=59"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/journalofartificialintelligence.com\/fr\/wp-json\/wp\/v2\/categories?post=59"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/journalofartificialintelligence.com\/fr\/wp-json\/wp\/v2\/tags?post=59"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}