Détection des effets indésirables des médicaments dans les données cliniques et sociales non structurées grâce à l'IA

Détection des effets indésirables des médicaments par l'IA à partir de données non structurées

Ce cas d'utilisation décrit comment l'intelligence artificielle peut être exploitée pour améliorer la détection et la documentation des effets indésirables des médicaments (EIM) en analysant de vastes quantités de données de santé non structurées. Ces sources de données comprennent les avis des patients, les discussions sur les réseaux sociaux et une multitude de textes médicaux, autant de sources qui compliquent l'extraction de signaux exploitables sur la sécurité des médicaments. Des modèles d'IA sont utilisés pour analyser ces informations afin de soutenir la pharmacovigilance et d'améliorer la sécurité des patients.

Problème

Garantir la sécurité des médicaments dans le secteur de la santé devient de plus en plus complexe en raison de l'abondance de données non structurées. La plupart des données de santé mondiales, telles que les témoignages de patients, les publications sur les réseaux sociaux et les notes cliniques, ne sont pas facilement consultables ni standardisées, ce qui complique l'identification de l'utilisation des médicaments et des effets indésirables potentiels. Sans outils efficaces pour traiter ces données, des signaux critiques de sécurité pourraient passer inaperçus, contribuant ainsi à des millions d'hospitalisations liées aux médicaments chaque année.

Ampleur du problème

• 80 % des données de santé sont non structurées, ce qui complique l'analyse automatisée.
• Des millions de patients sont hospitalisés chaque année dans le monde en raison d'effets indésirables médicamenteux (hypothèse basée sur plusieurs études).
• Les processus manuels actuels de pharmacovigilance peuvent prendre des semaines, voire des mois, pour identifier les nouveaux problèmes de sécurité des médicaments (hypothèse basée sur des rapports de l'industrie).

Solution

• Mise en œuvre d'algorithmes d'IA entraînés à extraire les mentions de médicaments et d'effets indésirables de diverses sources non structurées telles que les réseaux sociaux, les forums de patients et les dossiers médicaux électroniques.
• Utilisation de techniques de traitement du langage naturel pour une catégorisation précise des entités médicales et la détection du contexte.
• Recoupement des événements détectés avec la littérature scientifique. Bases de données réglementaires pour la validation et une meilleure compréhension.

Coût d'opportunité

• Économique : L'identification tardive des problèmes de sécurité des médicaments entraîne une augmentation des coûts de santé en raison d'événements indésirables évitables et de séjours hospitaliers prolongés.
• Opérationnel : S'appuyer uniquement sur l'examen manuel de données non structurées ralentit considérablement les flux de travail de pharmacovigilance et limite la capacité à réagir rapidement aux nouveaux signaux de sécurité.

Impact

• Réduction du temps nécessaire à la détection des effets indésirables émergents des médicaments de plusieurs semaines ou mois à quelques jours ou heures (hypothèse fondée sur les progrès des outils de traitement du langage naturel (TALN) par l'IA).
• Amélioration de la sécurité des patients grâce à une intervention plus précoce et à des rappels ou avertissements ciblés.
• Amélioration de l'efficacité des équipes de pharmacovigilance grâce à l'automatisation de l'extraction de données à partir de sources non structurées.

En appliquant l'IA pour exploiter et interpréter les informations issues de sources antérieures En utilisant des sources de données non structurées sous-exploitées, les établissements de santé peuvent considérablement étendre leurs capacités de surveillance et minimiser proactivement les risques pour les patients associés aux erreurs médicamenteuses ou aux effets secondaires imprévus.

Sources de données

Les sources recommandées comprennent des études sur la détection des effets indésirables des médicaments sur les réseaux sociaux, l'estimation à grande échelle des taux d'incidence à l'aide de contenus générés par les patients et des ensembles de données croisant les discussions sur les réseaux sociaux avec la littérature biomédicale. Ces sources fournissent les données complètes et nuancées nécessaires à l'entraînement de systèmes d'IA fiables pour la surveillance de la sécurité des médicaments.

Références

• Lardon J, Abdellaoui R, Bellet F, Asfari H, Souvignet J, Texier N, Jaulent MC, Beyens MN, Burgun A, Bousquet C. Adverse Drug Reaction Identification and Extraction in Social Media: A Scoping Review. J Med Internet Res 2015;17(7):e171. https://doi.org/10.2196/jmir.4304
• Nguyen T, Larsen ME, O’Dea B, Phung D, Venkatesh S, Christensen H. Estimation de la prévalence des effets indésirables des médicaments à partir des médias sociaux. Revue internationale d'informatique médicale, 102, 130-137. https://doi.org/10.1016/j.ijmedinf.2017.03.013
• De Rosa M, Fenza G, Gallo A, Gallo M, Loia V. Pharmacovigilance à l'ère des médias sociaux : découverte d'effets indésirables médicamenteux en croisant Twitter et PubMed. Future Generation Computer Systems, 114, 394-402. https://doi.org/10.1016/j.future.2020.08.020

Invite :

Rôle : Vous êtes assistant(e) en pharmacovigilance spécialisé(e) dans le domaine de la santé. Objectif : À partir de textes non structurés (réseaux sociaux, avis de patients, résumés médicaux), détecter l’exposition aux médicaments et les effets indésirables potentiels (EIM), normaliser les entités cliniques, évaluer la causalité, agréger les signaux et faire émerger des informations exploitables pour l’analyse clinique. Entrées : - enregistrements : [{id, text, source_type(social|review|abstract), language, timestamp_utc, geo, author_role, url}] - optional_kb : liens connus entre médicaments et EIM ; Cartes d'ontologies (RxNorm, MedDRA, SNOMED CT, UMLS) Instructions : - Anonymisation ; ne jamais afficher les informations personnelles identifiables (IPI/PHI). - Détection de la langue ; traduction en anglais pour normalisation ; conservation des intervalles d'origine. - Extraction : médicament (générique/de marque), dose, voie d'administration, fréquence, début/fin ; indication ; termes relatifs aux effets indésirables ; gravité ; résultat ; latence ; comorbidités ; co-médications ; facteurs de risque ; sujet (soi-même/autre) ; négation/incertitude/spéculation ; indices temporels ; argot/fautes d'orthographe/hashtags/émojis ; sarcasme/signaux de type robot. - Normalisation : médicaments → RxNorm ; effets indésirables → MedDRA PT/HLT ; affections → SNOMED ; inclusion des CUI UMLS. - Agrégation : déduplication et regroupement par médicament normalisé/effet indésirable ; calcul des décomptes par source et du taux de mention brut au sein du corpus fourni. - Causalité : score de 0 à 1 à l’aide d’heuristiques légères inspirées de Naranjo/Bradford-Hill (ordre temporel, déchallenge/rechallenge, causes alternatives, relation dose-réponse, plausibilité biologique). - Références croisées : alignement des groupes avec la littérature/base de connaissances ; distinction entre les cas connus et potentiellement nouveaux ; application des méthodes de pharmacovigilance sur les réseaux sociaux conformément à : - Lardon et al., 2015 (10.2196/jmir.4304) - Nguyen et al., 2017 (10.1016/j.ijmedinf.2017.03.013) - De Rosa et al., 2021 (10.1016/j.future.2020.08.020) - Fournir uniquement des données probantes concises (pas de chaîne de pensée). Aucun avis médical ; utilisation à des fins de triage/recherche. Structure de la réponse (JSON uniquement) : { résumé : {nombre total d'enregistrements, médicaments uniques, adresses uniques, résultats clés, limites}, groupes : [{ médicament : {nom générique, nom de marque, norme d'ordonnance}, adresse : {pt, code meddra, hlt}, statistiques : {nombre, sources : {social, revue, résumé}, taux brut}, score de causalité : 0-1, nouveauté : {statut : connu | potentiellement nouveau, références : [{pmid | doi}]}, preuve clé : [{identifiant d'enregistrement, étendue}], facteurs de confusion : [{type, détail}], confiance : 0-1 }], enregistrements : [{ identifiant, type de source, horodatage UTC, extractions : { médicaments : [{nom, norme d'ordonnance, dose, voie, fréquence, début, fin}], adrs : [{pt, code_meddra, gravité, résultat, latence}], indication, comorbidités, co_médicaments }, flags : {négation, incertain, sarcasme, pii_supprimé} }], quality : {taux de démultiplication, couverture linguistique, données manquantes}, ethics_privacy : {gestion_pii, notes_biaises}, method_refs : [{cite, doi}] } Contraintes : précision, analysabilité automatique, citation des DOI/ID, horodatage UTC.