«`html

Искусственный интеллект выявляет побочные эффекты лекарств в медицинских записях

Электронные медицинские записи содержат огромное количество информации о побочных эффектах лекарств, которая часто упускается из виду в базах данных фармаковгиланса. Недавнее исследование показало, что передовая модель искусственного интеллекта может анализировать эти записи, чтобы выявлять связи между лекарством и побочным эффектом с замечательной точностью.

Инструмент был протестирован на 372 различных медицинских отчётах, поступивших из разных специальностей и клинических контекстов. Из 191 побочного эффекта, выявленного моделью, 180 оказались точными, что составляет 94,2 % точности. Кроме того, система правильно определила тяжесть эффектов в 100 % случаев и их недокументированный характер в 93,9 % ситуаций. Около 12 % выявленных эффектов считались серьёзными по критериям Управления по санитарному надзору за качеством пищевых продуктов и медикаментов (FDA), а 15 % не упоминались в инструкциях по применению лекарств.

Стоимость этого анализа остаётся умеренной: в среднем 0,18 доллара за одну запись и 0,35 доллара за каждый подтверждённый побочный эффект. Модель даже выявила эффекты, не зафиксированные врачами, например, снижение уровня магния, связанное с приёмом такролимуса — иммунодепрессанта.

В отличие от традиционных методов, которые основаны на фиксированных правилах или анализе по фразам, этот подход использует модель, способную понимать общий контекст отчёта. Она учитывает тонкие признаки, такие как решения врачей прекратить или скорректировать лечение из-за побочного эффекта. Это позволяет отличать истинные причинно-следственные связи от простых совпадений.

Результаты показывают, что эта технология могла бы преобразовать мониторинг лекарств после их вывода на рынок. Интегрируя такие инструменты в существующие системы, например, используемые регулирующими органами в сфере здравоохранения, можно было бы быстрее выявлять сигналы безопасности, включая редкие или серьёзные побочные эффекты, ещё не документированные. Это открыло бы путь к лучшей защите пациентов от рисков, связанных с лечением.

Модель также продемонстрировала способность классифицировать побочные эффекты по их тяжести, неожиданности или связи с текущим заболеванием пациента. Например, она правильно определила, что некоторые эффекты, хотя и не указанные в инструкциях, уже известны в научной литературе. В других случаях она выявила эффекты, ещё не ассоциированные с лекарством, предлагая тем самым новые направления для исследований.

Остаётся одна проблема: модель иногда может выдумывать информацию, например, названия лекарств или медицинские термины, особенно когда данные частично скрыты для защиты конфиденциальности. Однако эти ошибки остаются незначительными и не влияют существенно на общее качество результатов.

Таким образом, это достижение могло бы позволить регулирующим органам в сфере здравоохранения и фармацевтическим компаниям более эффективно отслеживать безопасность лекарств в режиме реального времени, используя до сих пор недостаточно эксплуатируемый источник информации: детальные клинические записи медицинских работников.

«`

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