AI haittavaikutusten havaitsemiseksi ja estämiseksi
Yhdysvaltain lääke . 2025; 50 (2): 32-37.
Tiivistelmä: Keinotekoinen äly (AI) mullistaa terveydenhuoltoa. Apteekkarien tulee olla tietoisia siitä, kuinka AI voi vaikuttaa lääkityksen käyttöprosessiin, mukaan lukien haittavaikutusten havaitseminen ja estäminen (ADE). Chatboteja, kuten chat-generatiivista esikoulutusta muuntajaa, käytetään potilaiden kouluttamiseen ADE: stä. Markkinointivalvonta, hallinnolliset terveystiedot, sähköiset terveystiedot ja sosiaalinen media on rooli ADE: n havaitsemisessa. Käyttämällä AI: tä analysoimaan biologisia ja fenotyyppisiä ominaisuuksia (kuten lääkkeiden pareja tai genomiikkaa ja lääkekohteita) ja kehityksessä olevien lääkkeiden fysiokemiallisia ominaisuuksia, AI voi auttaa ennustamaan ja estämään ADE: tä ennen niiden esiintymistä. Apteekkarien tulisi olla tietoisia AI: n mahdollisuuksista ja rajoituksista terveydenhuollon ympäristössä.
FDA määrittelee haittavaikutus (Ade) tai haitallinen huumekokemus , 'kaikki lääkkeen käyttöön liittyvät haittavaikutukset ihmisillä riippumatta siitä, pidetäänkö lääkettä vai ei siihen liittyvä, mukaan lukien seuraavat: Haittavaikutus, joka tapahtuu lääketuotteen käytön aikana ammatillisessa käytännössä; lääkkeen yliannostuksen aiheuttama haittatapahtuma vahingossa tai tahallisessa; huumeiden väärinkäytöstä esiintyvä haittavaikutus; huumeiden vetämisestä esiintyvä haittavaikutus; ja odotetun farmakologisen vaikutuksen epäonnistuminen. ' 1
FDA määrittelee a vakava haittavaikutus 'Kaikkien lääketieteellisen tuotteen käyttöön liittyvä ei -toivottu kokemus potilaalla. Tapahtuma on vakava ja se tulisi ilmoittaa FDA: lle, kun potilaan lopputulos on kuolema [hengenvaarallinen, alku- tai pitkäaikainen sairaalahoito, vammaisuus tai pysyvät vauriot, synnynnäinen poikkeavuus/syntymävaurio, vaatii interventiota pysyvän vajaatoiminnan tai vaurioiden estämiseksi, tai on vakava mutta ei sovi muihin tuloksiin]. '
FDA: n haittavaikutusten raportointijärjestelmä
Yhdysvalloissa ADE -tietojen tärkein lähde on FDA: n haittatapahtumien raportointijärjestelmä (Faers). FAERS -tietokanta sisältää haitallisia tapahtumaraportteja, lääkitysvirhe raportteja ja tuotteiden laatuvalituksia, jotka johtavat FDA: lle toimitetuihin haittavaikutuksiin. Se on suunniteltu tukemaan FDA: n markkinoinnin jälkeistä turvallisuusvalvontaohjelmaa lääke- ja terapeuttisille biologisille tuotteille. Vaikka ADES: n ilmoittaminen on vapaaehtoista terveydenhuollon ammattilaisille ja kuluttajille, valmistajien on ilmoitettava tällaisista tapahtumista FDA: lle. Faers -vapaaehtoisen raportoinnin luonteen vuoksi sillä on lukuisia rajoituksia, mukaan lukien varmuuden puute siitä, että ilmoitettu tapahtuma (haittavaikutus tai lääkevirhe) johtui tuotteesta, koska syy -yhteys ei ole FDA: n määrääminen, koska raportit eivät aina sisällä tarpeeksi Yksityiskohta arvioida haitallisia tapahtumia asianmukaisesti.
Tärkeää on, että FDA ei saa raportteja jokaisesta haitallisesta tapahtumasta tai lääkitysvirheestä, ja raportointiin voi vaikuttaa tuote markkinoilla oleva aika ja lääkkeen suosio. Kopioraportteja voi olla myös Faersissa. FDA on varoittanut, että FAERS -tietoja ei voida käyttää haittavaikutuksen tai lääkitysvirheen esiintyvyyden laskemiseen Yhdysvaltain väestössä. 3
Vuonna 1968, ensimmäisenä vuonna, jolloin FDA aloitti haittavaikutusraporttien keräämisen, lähetyksiä oli 107. 1. tammikuuta 2024 ja 30. syyskuuta 2024 välisenä aikana ilmoitettiin 1 521 380 tapahtumaa, yhteensä 29 661 136 raporttia vuodesta 1968 Q3 2024: n loppuun. Näistä kaikista haittavaikutustapahtumaraporteista pidettiin vakavina haittatapahtumissa (lukuun ottamatta kuolemaa (kuolema (kuolema (kuolema lukuun ottamatta. edellä määritelty); Kuolemia tunnistettiin myös 2 683 911. 65 -vuotiaiden tai sitä vanhempien osuus oli yli 20% ADES: stä ilmoitetuista faereista. 4
Näiden tietojen spontaanin raportointiluonteen vuoksi kuitenkin arvioidaan, että vain noin 6% ADE: stä ilmoitetaan FDA: lle. 5
Mikä on tekoäly?
Keinotekoiselle älykkyydelle (AI) on lukuisia määritelmiä. FDA määrittelee AI: n ”konepohjaiseksi järjestelmäksi, joka voi tietylle ihmisen määrittelemille tavoitteille ennusteita, suosituksia tai päätöksiä, jotka vaikuttavat todellisiin tai virtuaalisiin ympäristöihin. AI-järjestelmät käyttävät kone- ja ihmispohjaisia tuloja todellisten ja virtuaaliympäristöjen havaitsemiseen; abstrakti tällaiset käsitykset malleihin analyysin avulla automatisoidulla tavalla; ja käytä mallin päätelmiä tietojen tai toimintojen vaihtoehtojen muotoiluun. ' 6.7 Nämä tehtävät vaativat yleensä ihmisen kognitiota suurten tietojen analysoimiseksi mallejen oppimiseksi ja soveltamiseksi päätöksentekoa paremmin. 8.9
Termi lisääntynyt älykkyys , AI: n edullinen muoto hyödyntää sekä tietokoneiden että lääkäreiden vahvuuksia saadakseen parannettuja tuloksia potilaille. Lisätyn älykkyyden avulla AI palvelee avustavassa roolissa, ja sitä käytetään parantamaan, ei korvaamaan ihmisen älykkyyttä. 8,10
AI: n rooli ADE: n havaitsemisessa ja ehkäisyssä
FDA on tunnustanut, että AI: lla 'on potentiaalia mullistaa terveydenhuoltoa edistämällä lääketieteellisten tuotteiden kehittämistä, parantamalla potilaan hoitoa ja parantamalla terveydenhuollon ammattilaisten kykyjä'. 11
FDA julkaisi keskusteluasiakirjan AI: n ja koneoppimisen (ML) käytöstä lääkkeiden ja biologisten tuotteiden kehittämisessä. Se kuvasi AI: n ja ML: n välistä suhdetta, kun ML: ää pidetään ”AI: n osajoukon, joka sallii ML -mallejen kehittämisen ML -harjoitusalgoritmeilla analysoimalla datan, ilman mallit, jotka ovat nimenomaisesti ohjelmoitu'.
AI/ML: llä on merkitystä ADES: n mahdollisessa tunnistamisessa yhdisteen spesifisyyden ja affiniteetin perusteella kohteeseen; ennustetun vakavien haittavaikutusten riskin kerrostuminen ja asianmukaisen seurannan tarve; ja potilasprofiilien kehittäminen ADES: n ja kliinisen tutkimuksen keskeyttämisen riskin ennustamiseksi. Sitä käytetään myös haittavaikutusten havaitsemisessa, arvioinnissa, ymmärtämisessä ja ehkäisyssä tai muissa lääkkeisiin liittyvissä ongelmissa markkinoinnin jälkeisen valvontaprosessin aikana, mukaan lukien tapauskäsittely, arviointi ja toimittaminen sekä ADE: n tunnistamisen automatisointi Lääketuotteiden merkinnöissä. 12
American Health-System -apteekkien yhdistys antoi lausunnon AI: n käytöstä apteekissa, jossa se kutsuu apteekkeja 'johtamaan AI: hen liittyvien sovellusten ja tekniikoiden suunnittelua, toteuttamista ja jatkuvaa arviointia, joihin liittyy lääkitysprosessi. Tähän sisältyy ADE: n seuranta, havaitseminen ja ehkäisy. 13
Vaikka tämän artikkelin ulkopuolella on syvälle sukeltaa syvästi AI: n perustekijöihin, useat viimeaikaiset julkaisut ovat hyödyllisiä perustietojen saamisessa. 8,14,15
Chatbotit ja kärsivällinen koulutus
ChatgPT on suuri kielimalli (LLM) generatiivinen AI -chatbot, jonka Openai on kehittänyt ja joka on käynnistetty marraskuussa 2022. 16 Muita chatbotteja ovat Gemini (aiemmin nimellä Bard) Google, META: n LLAMA, Microsoftin Copilot ja muut LLM -chatbotit. Koska chatgPT: n osuus on> 90% kaikista LLM -chatboteista, se johtaa tätä keskustelua. 17,18
Chatboteilla on kyky luoda ihmisen kaltainen teksti ja ymmärtää kontekstuaalisia vihjeitä keskustelussa. Heillä on lukuisia rooleja terveydenhuollon ympäristössä, mukaan lukien diagnoosien tarkkuuden ja tehokkuuden parantaminen; Potilaiden ennustetilan seuranta sairauksien uusiutumisen tai leikkauksen jälkeisten komplikaatioiden suhteen; lääketieteellisessä koulutuksessa ja tieteellisessä tutkimuksessa; ja kansanterveydessä. 16,19,20 Tässä viimeisessä ominaisuudessa ChatgPT: n roolia on tutkittu potilaille ADE: n, kuten lääkkeen aiheuttaman maksavaurion, kouluttamisessa ja lääkkeiden turvallisuusviestinnän luettavuuden parantamisessa. 16,21,22
Yhdessä tutkimuksessa, jossa verrattiin chatgPT: n suorituskykyä kliinisten apteekkien suorituskykyyn, havaittiin, että vaikka chatgPT oli erittäin hyödyllinen lääkekohdassa, jossa viitattiin ”prosessiin, johon kliiniset apteekkarit vastaavat kaikkiin lääkkeisiin liittyviin kysymyksiin, joita avohoitoa koskevat tai potilaat tai terveydenhuollon henkilökunta aktiivisesti herättävät Heidän lääkityksensä ”, se oli vähemmän hyödyllinen reseptilääkkeiden suorittamisessa; suorittaessaan potilaan lääkityskoulutusta (joka poikkesi lääkekohdasta, kuten se viittasi ”kliinisten apteekkien aktiiviseen lääkitysohjeeseen potilaan potilaiden purkauslääkitysluettelon perusteella”); ADE: n tunnustamisessa; ja arvioitaessa syy -yhteyttä ADE: n ja lääkityksen käytön välillä. 23
Toisessa dermatologien tekemässä tutkimuksessa havaittiin, että ChatgPT: n ADE: stä yleisesti määrättyjen lääkkeiden tarjoamat potilastiedot puuttuivat jatkuvaa luotettavuutta ja tarkkuutta. 24
Toiset ovat havainneet, että ChatgPT vastasi huumeisiin liittyviin kysymyksiin joko väärin tai osittain väärin, mikä sai kirjoittajat varoittamaan AI: n roolia huumeiden tiedoissa. 25 Sitä vastoin, kun tutkitaan CHATGPT: n roolia syövän immunoterapian immuuniin liittyvien haittavaikutusten hallinnassa, Chatbot tarjosi suurelta osin tarkkoja ja täydellisiä tietoja. 26 Samoin ChatgPT: n todettiin olevan arvokas resurssi, joka tarjoaa korkean tarkkuuden ja kattavuuden sekä potilaille että lääkäreille syöpähoitoon liittyvissä ihotoksisuuksissa. 27 Nämä erilaiset tulokset korostavat varovaisuuden tarvetta antaessaan suosituksia chatgPT: n avulla.
Vaikka suurin osa tutkimuksista on suoritettu ChatGPT: llä, Microsoftin Bing AI -kopilotin havaittiin tuottavan lääketietovastauksia, joilla oli alhainen luettavuus ja riittämätön laatu, mikä voi johtaa potilaan haitoihin. 28
ChatgPT: n ja muiden LLM-keskustelujen systemaattinen katsaus pääteltiin, että vaikka nämä LLM: t olivat tarkkoja tiivistäessään ja tarjoamalla potilaille yleistä lääketieteellistä tietoa, ne eivät aina olleet luotettavia vastatessaan monimutkaisten terveyteen liittyviin tehtäviin. Siellä oli huolta puolueellisuudesta tai yksityisyyden suojaa koskevista kysymyksistä. Erityisesti tulokseen vaikuttaa virheellinen tulo, jota ei voida helposti muokata. ChatgPT toimitti myös puutteellisia tietoja potilasturvallisuuskysymyksistä, kuten lääkkeen-lääkkeiden vuorovaikutusten ennustaminen ja selittäminen ja tarkkojen lääkkeiden yhteensopivuustietojen tarjoaminen. 17
Muita chatbotien kanssa esiintyviä kysymyksiä ovat niiden kyvyttömyys tunnistaa lääkitysnimiä, varsinkin jos lääkkeen nimi on kirjoitettu väärin; kyvyttömyys käsitellä yhdistelmäkysymyksiä hyvin; Ilmoituksen tunnistamatta jättäminen, jos sitä ei ole asennettu uudelleen chatbot -luettelostaan; Tietojen saatavuuden vaikeudet, jos vaadittu vastaus sijaitsee chatbotin ulkopuolella olevan linkin kautta; ja virheellinen kartoitus, jossa annostelu- ja taajuuskysymys sen sijaan kartoitetaan antamiseen. 29 Lasten tarkistuksessa todettiin, että mitään mallia ei ollut tutkittu mahdollisesti heidän sovellusasetuksissaan. 30
Tarkkuuden huolet voivat myös rinnastaa eettiset näkökohdat ja oikeudelliset vastuut, jos chatbot tarjoaa virheellisiä tietoja ja aiheuttaa potilaan haittaa. 31
Markkinoinnin jälkeinen valvonta, hallinnolliset terveystiedot
Vuonna 2012 haittavaikutusten raportointijärjestelmästä (AERS) tuli Faers. 32 FAERS: n riittämättömyys on huolestuttavaa, etenkin kun otetaan huomioon, että vuosina 2006–2014 ilmoitettu vakava ADES on lisääntynyt. Tämä lisäys on suurelta osin osallistunut biologisia tai erikoislääkkeitä, agentteja, jotka usein nopeutetaan tai seuraavat nopeasti FDA: n hyväksyntäprosessin kautta. 33 Vaikka satunnaistettu, lumelääkekontrolloima tutkimus on huumeiden hyväksymistutkimuksen kultastandardi, näillä tutkimuksilla on usein laajat poissulkemiskriteerit ja rajoittavat hoitokaudet, mikä rajoittaa niiden yleistävyyttä. Vasta uusia lääkkeitä käytetään laajasti väestössä, niiden täydellistä haittavaikutusprofiilia voidaan arvostaa, mikä tukee markkinoinnin jälkeisen valvonnan tarvetta. 34
Yksittäisten tapausturvallisuusraporttien, ts. MedWatch -raporttien arviointi on perinteisesti ollut työläs manuaalinen prosessi, ja se on sekoittanut useiden samanaikaisten lääkkeiden antaminen. AI-ohjattu automatisoitu signaalin havaitsemisjärjestelmä on kehitetty. Kun strukturoimattomia vapaa-tekstin tietoja käytetään farmakoovitukseen, kuten Narrative Case -turvallisuusraporttien tapauksessa, ne on esikäsiteltävä AI: n avulla, jotta potilasraporttien ADE: n tunnistaminen voidaan tunnistaa. 35-38
Koska huumeiden huumeiden vuorovaikutukset voivat johtaa ADE: iin, ML: ää on tutkittu sen potentiaalisesta roolista FAERS: n tai vastaavien raporttien korkean prioriteetin vuorovaikutusten havaitsemisessa. 39.40
Elektroninen terveystieto
Sähköinen terveystieto (EHR) on ollut käytössä yli 3 vuosikymmenen ajan, ja kliinisen päätöksenteon tukijärjestelmät ilmestyvät myös 1990 -luvun alkupuolella. Vasta vuonna 2015 EHR käytti kuitenkin NLP: tä ja pystyi käsittelemään ”suurta tietoa”. 41
EHR koostuu sekä jäsenneltyistä tiedoista (demografista tietoa, elintärkeitä merkkejä, laboratoriotietoja jne.) EHR: n rooli farmakoovituksessa on varhaisessa vaiheessa. Jotta ADE: n havaitsemista varten voidaan kaapata jäsentämätön tieto, NLP: tä käytetään kertomustietojen saamiseen ja ADE: n, mahdollisen aiheuttavan aineen ja lääkityksen välisen suhteen (jos sellaisen) ymmärtämiseen. Sisäänrakennettu kliininen päätöksenteon tukijärjestelmä voi auttaa luomaan syy-yhteyden. Kun vapaa teksti on käsitelty (tunnetaan myös nimellä tekstin louhinta, ts. Muuttaa jäsentämätön teksti jäsenneltyihin tietoihin merkityksellisten kuvioiden ja mallien tunnistamiseksi) käyttämällä NLP: tä, suoritetaan perinteiset ML -menetelmät ADE -luokituksen mallien rakentamiseksi; ML on koulutettu tarkkailemaan kuvioita ja ennustamaan tulosten todennäköisyyttä. 42-48
Tietokoneistetut ADE -valvontajärjestelmät ovat havainneet 10 kertaa niin monta ADE: tä kuin vapaaehtoinen raportointi. 49 Medaware -niminen ohjelma on tietokoneistettu päätöksentekoa tukijärjestelmä, joka pystyy havaitsemaan mahdolliset lääkitysvirheet ja ADE: t. 50.51
Mallien ja/tai algoritmien herkkyysasteesta ja spesifisyydestä on epävarmuutta vapaan tekstin EHR-tietojen perusteella. Lisäksi ADE: t mainitaan usein vain lääkärin ja/tai hoitotyön muistiinpanoissa, eivätkä ne ole osa kaavion jäsenneltyä osaa, joka asettaa potilaan riskin uudelleen altistumiselle myrkylliselle aineelle. 43
Huolimatta potentiaalista, että EHR: n hyödyntäminen ADES: n tietolähteenä, mallit ja algoritmit on suoritettava validointi. Kaikkien prosessin vaiheet - tietolähteiden kuvaus, tiedonkeruumenettely, datan esikäsittely ja ulkoinen arviointi - pitäisi olla läpinäkyviä. 45,52 Lisäksi kyky ennustaa ja havaita ADE: tä EHR: ssä riippuu syötettyjen tietojen tarkkuudesta, koska laiminlyönnit tai väärät luokitukset ja tietoihin tulevan henkilön puolueellisuus voivat vaikuttaa tuloksiin. 53
Sosiaalinen media
Sosiaalisen median käytön rajoituksia ADES -tiedon keräämiseen ovat, että potilaat käyttävät epävirallisia, slängejä ja luovia lauseita; epägrammatit tai epäselvät termit; idiomaattisten lausekkeiden foneettinen oikeinkirjoitus; symbolit; lyhenteet; ja ei -tekninen, kuvaava ja puhekielinen sanasto kuvaamaan lääketieteellistä terminologiaa. Ne voivat myös kirjoittaa väärin lääkkeiden tai sairauksien/sairauksien nimet. Lisäksi he voivat lähettää, kun heillä on jotain negatiivista ilmoittaa, tai he voivat määrittää virheellisesti lääkityksen fyysisen tai henkisen vaikutuksen. 54-59
Liipaisuehtoja käytetään määrittämään avainsanat, jotka tulevat ennen ADE: tä ja sen jälkeen, jotta ne voidaan löytää niiden sijoittamisen tarkkuutta sosiaalisen median viestissä. 60 60 Adrmine on AI -työkalu, joka on koulutettu poimimaan lääketieteellisiä konsepteja, erityisesti ADE: tä, sosiaalisen median viesteissä. 59,61
Ei-terveyskeskeiset sosiaalisen median sivustot: Sosiaalisen median sivustot ovat nousseet rikkaaseen tietolähteenä ADE: stä ja muista lääkkeisiin liittyvistä aiheista, kun käyttäjät etsivät neuvoja toisiltaan ja keskustelevat vapaasti heidän terveysolosuhteista ja hoidostaan. Noin 90% sosiaalisen median huumeisiin liittyvistä viesteistä ei kuitenkaan sisällä ADE: tä. 62 Arvioidaan, että noin 72% Internetiä käyttävistä henkilöistä etsii terveyteen liittyviä tietoja verkossa. 63 Tätä tarkoitusta varten käytettyjen sosiaalisen median sivustojen joukossa ovat X (aikaisemmin nimellä Twitter) ja Yahoo! 48,63-67
X: n viestissä sallittujen merkkien lukumäärän rajoittaminen voi lisätä todennäköisyyttä, että vain yhdestä aiheesta keskustellaan, mutta tämä voi myös jättää välttämättömät tiedot. 68
Terveyteen keskittyvät sosiaalisen median sivustot: Terveyteen keskittyviä sosiaalisen median sivustoja ovat AskaPaTient.com, dailystrength.org, Healthboards.com, rxchat.com, potilaidenlikeme.com ja potilas.info sekä valtavirran sivustojen, kuten terveys ja hyvinvointi Yahoo! ryhmät. 55,68-71
AskaPaTient.com on verkkosivusto, joka antaa potilaille mahdollisuuden jakaa ja verrata lääkityskokemuksia, ja sen avulla tutkijat voivat käyttää tietojaan luvalla tai lisenssin ostamalla. 72 Dailystrength.org on interaktiivinen terveydenhuollon ekosysteemi, jonka avulla kuluttajat voivat kysyä, oppia ja toimia terveyskysymyksissä. 73 Healthboards.com on yhden luukun tukiryhmäyhteisö, joka tarjoaa yli 200 viestitaulua erilaisista sairauksista, olosuhteista ja terveysaiheista, jotka arvioitiin yhdeksi 20 parhaasta terveystietoverkkosivustosta Consumer Reports Health Webwatch. 74 Chatrx.com (entinen Medchat), lääkitysfoorumi, joka on ollut olemassa vuodesta 2005 lähtien, on laaja lääkkeiden, terveystilojen ja lääketietojen indeksi ja toimii yhteisönä, jossa potilaat, hoitajat ja muut asianomaiset osapuolet voivat jakaa huumeiden- Liittyvät kysymykset ja tarinat vapaasti ja nimettömästi. 75 Potilaidenlikeme.com on foorumi ihmisille, joilla on elävä kokemus monimutkaisten terveystilojen hallinnasta. 76 Potilas.info, joka sijaitsee Yhdistyneessä kuningaskunnassa, on tarjonnut potilaan terveyteen liittyviä tietoja vuodesta 1996. 77
Tutkimus, joka analysoi kansanterveyteen ja hyvinvointiin tehdyt terveyteen liittyviä virkoja, Yahoo! Ryhmät havaitsivat, että jäsenet lähettivät lääkkeistä, joissa myöhemmin tehtiin merkintämuutos tai että FDA: n ns. ”Tarkkailulistat” poistettiin (ns. ”Tarkkailulistat”). He päättelivät, että nämä virkat toimivat signaalina alikaupungille. 68
Huumeiden ADE: n ennustaminen ja estäminen kehityksessä
Myrkyllisyyden, perinteisten ML-menetelmien, edistyneiden matematiikan pohjautuvan ML: n aiheuttamien tulevien lääkkeiden vetäytymisen minimoimiseksi (esim. Elementtikohtainen pysyvä homologia, algebrallinen kuvaaja-avusteinen biologinen muuntajakehys), lukuisia mallinnustekniikoita (ennustava analyysi, kuvaava ja reseptiivi), Lääkkeen kehityksen aikana käytetään kvantitatiivisia rakenne-aktiivisuussuhteita, syvää oppimista ja tarkkuuslääketiedettä (farmakogenomiaa ja farmakogenetiikkaa) ennustamaan ja varhaiseen havaitsemiseen. 34 AI: tä käytetään auttamaan ennustamaan assosiaatioita lääkeproteiinikohteiden, transkriptitietojen ja lääkkeiden kemiallisten, biologisten ja fenotyyppisten ominaisuuksien ja niiden ADE: n potentiaalin välillä. 82-87
Yhdistämällä nämä työkalut tunnetun lääketieteellisen lääkeyhdistyksen, lääkkeen ominaisuuksien ja potilastietojen, kuten Faers ja ToxNet, kuratoitujen tietojoukkojen kanssa voi toimia resursseina ADES: n mallintamisessa ja ennustamisessa. 78,88,89
VenomPred on ML-pohjainen alusta, joka on vapaasti saatavissa oleva verkkopalvelin, joka sisältää kattavan kokoelman erilaisista toksisuusmalleista, jotka voivat tarjota todennäköisyyspisteet yhdisteen potentiaalisesta toksisuudesta. 90.91
ADE: tä ja toksisuuden mallintamista käytetään ennustamaan lääkkeitä, joihin voi liittyä lääkkeen aiheuttamaa maksavaurioita, lääkkeen aiheuttamaa munuaistoksisuutta, lääkkeen aiheuttamaa kardiotoksisuutta, lääkkeen aiheuttamaa neurotoksisuutta, karsinogeenisuutta, genotoksisuutta, teratogeenisyyttä, äidin vaurioita, mutageenisuutta ja ihon herkkyys . Tätä mallintamista käytetään myös haittavaikutusten alkamiseen, ADE: n esiintymisen todennäköisyyteen ja ADE: n vakavuuden ja todennäköisyyden vastasyntyneiden todennäköisyyteen. 78,92-105
Haasteet ja rajoitukset
AI: n käyttämisessä ADE: n havaitsemiseksi, ennustamiseen tai estämiseen on olemassa lukuisia haasteita ja rajoituksia. Näitä ovat huolenaiheet tiedonsuojasta ja turvallisuudesta; malleihin rakennetut luontaiset puolueellisuudet johtuen populaatioiden aliedustuksesta; Tietojen integroinnin ongelmat ja muuttuvien parametrien tunnistaminen suhteessa lopputulokseen; ja potilasturvallisuusongelmat, jos mallin rakentamiseen käytetyt tiedot ovat huonolaatuisia tai epätarkkoja, sisältävät vääriä lausuntoja tai konfulaatioita ja puuttuvat datapisteistä, mikä johtaa virheelliseen lähtöön. Muita haasteita ovat kliinisen täytäntöönpanon vaikeus empiirisen todisteen puutteen vuoksi, joka osoittaa hyötyä, eettisiä huolenaiheita vastuuvelvollisuudesta ja sosiaalisia huolenaiheita siitä, täydentääkö AI tai korvaako AI terveydenhuollon ammattilaisia, mukaan lukien apteekit, työvoimassa. 106 107
Toinen rajoitus on, että AI ei voi ennustaa harvinaisia ADE: itä historiallisella tiedoilla. ML -mallien tarkkuus voi heikentyä ajan myötä harjoitusstandardien muuttuessa, joten niitä on jatkuvasti ylläpidettävä. 9 Terveydenhuollon parantamisen instituutin määrittelemiä AI: n lisähaasteita ovat hoidon depersonalisaatio; ihmisen valvonta AI: n tuottaman tuotannon eroosio; Läpinäkyvyyden puute selittää, kuinka tuotokset johdettiin; käyttämällä AI-generoituja tehokkuuksia ihmisille tuottavuuden odotusten edistämiseksi; Vaikeus AI: n integroinnissa nykyiseen työnkulkuun sekä lääkäreille että potilaille; kaupallisen edun priorisointi; ja julkisen luottamuksen eroosio.
Muita esteitä ovat kehityskustannukset; mallin validointi ja toteutus; Tietojen tallennusturva; Mahdollisuudet, kun ohjelmat tai ohjelmistot tarvitsevat päivitystä; hälytys väsymys; Terveydenhuollon ammattilaisten työpöytä ja tekniikan yliarvoisuus; turvallisuusvalvonnan puute; Kliinisen ja potilaan tiedon puute AI: sta; väärinkäyttö potilaan tavoitteiden kanssa heidän hoitoonsa; ja työvoimankestävyys omaksumaan AI. 107 108
Apteekkarin rooli
Lääkitysasiantuntijoina AI: hen erikoistuvien tietokoneohjelmoijien kanssa työskentelevät apteekit voivat auttaa kehittämään ja arvioimaan kliinisiä algoritmeja ADES: n havaitsemisessa ja/tai ehkäisyssä. Apteekkarit voivat myös käyttää asiantuntemustaan AI -myyjien tarjoamien tietojen arvioinnissa sitoutumalla heidän kanssaan ja oppimalla alustan erityispiirteitä sen määrittämiseksi, ovatko tutkitut potilaat samanlaisia kuin potilaspopulaatio. ADE: n estäminen ja niiden nopeasti estäminen ja niiden nopeasti havaitseminen on myös ominaisuuksia, joita apteekkarien tulisi arvioida AI -alustalla, jota heidän laitoksensa harkitsee ostamista. Yhteistyö muiden terveydenhuollon ammattilaisten kanssa, jotka ovat käyttäneet tiettyä AI-alustan, ja jakamalla tietoja kollegoiden kanssa AI: n estämiseksi ja/tai havaitsemiseksi tarkoitetun AI-alustan suorituskyvystä voi auttaa vähentämään lääkkeiden aiheuttamaa sairastuvuutta ja kuolleisuutta. 9
Viisi keskeistä periaatetta, jotta kliiniset apteekkarit voivat keskustella, kritiikkiä ja lähestyä AI -työkalujen käyttöä heidän käytännössään. Näitä ovat, että apteekkareilla on oltava perustiedot AI: stä; että he tunnustavat, että AI voi parantaa apteekkikäytäntöä; että he tunnustavat AI/ML -työkalujen rajoitukset; että apteekkisteillä on aktiivinen rooli AI: n soveltamisessa lääkityksen käyttöprosessissa; ja viimeiseksi, että heidän on käytettävä AI: tä vastuullisesti. 109
Toiset ovat kuvanneet ML: n kriittisiä vaatimuksia ja mitä terveysjärjestelmän apteekkeja tulisi tehdä valmistautuakseen sen toteuttamiseen ja seurantaan. 8.9 Näiden tavoitteiden saavuttamiseksi ja johtajuuden rooli AI: n perustamisessa farmaseihin on valmistettava koulutuksen ja jatkuvan sitoutumisen kautta. 13
Johtopäätös
AI: n kenttä kehittyy nopeasti. Vaikka tämän artikkelin ei ole tarkoitus olla tyhjentävä keskustelu AI: sta, se korostaa mahdollisia roolia ja rajoituksia, jotka tällä tekniikalla voi olla ADE: n havaitsemisessa ja ennustamisessa sekä AI: n roolissa potilaskoulutuksessa ja arvioinnissa Epätoivottujen lääkitysvaikutusten esiintyminen. Apteekkarien tulisi ymmärtää AI: hen liittyvät terminologiat ja käsitteet.
Lääkitysasiantuntijoina apteekkarit voivat käyttää kliinistä asiantuntemustaan avustaessaan AI -mallien ja algoritmien rakentamisessa. Niiden tulisi olla mukana AI: n arvioinnissa ja päätöksissä, jotka koskevat lääkityksen käyttöprosessia koskevien tekniikoiden toteuttamista. Apteekkarien tulee myös kouluttaa yleisöä generatiivisen AI: n tuottaman epätarkkojen ja harhaanjohtavien tietojen mahdollisuuksista. Lisäksi heidän tulisi rohkaista potilaitaan osallistumaan avoimeen vuoropuheluun terveydenhuollon tiiminsä kanssa, jos he kokevat kokeneensa ADE: tä tai heillä on muita kysymyksiä huumeohjelmastaan.
Viitteet
1. Yhdysvaltain liittovaltion määräysten säännöstö. Osasto 21. Luku I. Osa 314. Alaluokka B. FDA: n hyväksynnän hakemukset uuden lääkkeen markkinoimiseksi. 422A03B2B5E6C6BFF5A32DBCBCB5AB2B2764631E23 . Pääsy 5. marraskuuta 2024.
2. FDA. Mikä on vakava haittavaikutus? 3DE4E73CE050018FAA44690D4A691777D0E889F . Pääsy 5. marraskuuta 2024.
3. FDA. FDA: n haittatapahtumien raportointijärjestelmä (FAERS) julkinen kojelauta: usein kysyttyjä kysymyksiä (UKK). https://fis.fda.gov/extensions/FPD-FAQ/FPD-FAQ.html#_Toc514144622 . Pääsy 5. marraskuuta 2024.
4. FDA. FDA: n haittatapahtumien raportointijärjestelmä (Faers) julkinen kojelauta. https://fis.fda.gov/sense/app/95239e26-e0be-42d9-a960-9a5f7f1c25ee/sheet/7a47a261-d58b-4203-a8aa-6d3021737452/state/analysis. Accessed December 12, 2024.
5. Alatawi YM, Hansen RA. Aliraportoinnin empiirinen arvio Yhdysvaltain elintarvike- ja lääkeviraston haittavaikutusten raportointijärjestelmässä (Faers). Asiantuntija opin lääke Saf . 2017; 16 (7): 761-767.
6. Federal Register. Toimeenpaneva tilaus 14110. 30. lokakuuta 2023. https://www.federalregister.gov/documents/2023/11/01/2023-24283/safe-secure-and-trustworthy-development-and-use-of-artificial-intelligence . Pääsy 5. marraskuuta 2024.
7. FDA. FDA: n digitaalinen terveys- ja tekoälyn sanasto - opetusresurssi. Kasvot . Pääsy 5. marraskuuta 2024.
8. Nelson SD, Walsh CG, Olsen CA, et ai. Keinotekoisen älykkyyden demystifiointi apteekissa. Am J Health Syst Pharm. 2020; 77 (19): 1556-1570.
9. Flynn A. Keinotekoisen älykkyyden käyttäminen terveysjärjestelmän apteekkien käytännössä: Uusien mallejen löytäminen. Am J Health Syst Pharm . 2019; 76 (9): 622-627.
10. American Medical Association. Terveyden tulevaisuus: Terveydenhuollon laajennetun älykkyyden nouseva maisema. 26. helmikuuta 2024. B86993185505F3C47A6BB09B8361236E8A36ADD . Pääsy 5. marraskuuta 2024.
11. FDA. Keinotekoinen älykkyys FDA: n julkaisut. 010877F7F4CCF179CC503924999F58D8915BA8B . Pääsy 5. marraskuuta 2024.
12. FDA. Keinotekoisen älykkyyden ja koneoppimisen käyttäminen huumeiden ja biologisten tuotteiden kehittämisessä. 2023. www.fda.gov/media/167973/download. Accessed January 20, 2025.
13. Schutz N, Olsen CA, McLaughlin AJ, et ai. ASHP -lausunto keinotekoisen älykkyyden käytöstä apteekissa. Am J Health Syst Pharm . 2020; 77 (23): 2015-2018.
14. Basile Ao, Yahi A, Tatonetti NP. Keinotekoinen älykkyys huumeiden myrkyllisyyden ja turvallisuuden kannalta. Trendit Pharmacol Sci . 2019; 40 (9): 624-635.
15. Choudhury A, Asan O. Keinotekoisen älykkyyden rooli potilasturvallisuustuloksissa: systemaattinen kirjallisuuskatsaus. JMer Med ilmoittaa . 2020; 8 (7): E18599.
16. Zhang Y, Pei H, Zhen S, et ai. Chat Generative Pre-koulutettu Transformer (ChatgPT) -käyttö terveydenhuollossa. Gastroenteroli -endoskopia . 2023; 1 (3): 139-143.
17. Wang L, Wan Z, Ni C, et ai. ChatgPT: n ja muiden terveydenhuollon suurten kielimallien sovellukset ja huolenaiheet: systemaattinen katsaus. J Internet -res. . 2024; 26: E22769.
18. Microsoft Bing Chat on Copilot. https://copilot.microsoft.com/chats/GVGppsjrpA28epaN4KL9C.. Accessed January 20, 2025.
19. Ying L, Liu Z, Fang H, et ai. Tekstin yhteenveto ChatgPT: n kanssa huumeiden merkintäasiakirjoista. Huumeiden Discov tänään. 2024; 29 (6): 104018.
20. Roganović J. ChatgPT -ominaisuuksien tuntemus muuttaa hammaslääketieteen opiskelijoiden odotuksia ja oppimistuloksia. Infent J. 2024; 74 (6): 1456-1462. 21. Ma C, Wolfinger Rd. Kohti selitettävää suurta kielimallia lääkkeen aiheuttaman maksavaurion kirjallisuuden automaattiseen tunnistamiseen . Chem Res Toxicol . 2024; 37 (9): 1524-1534.
22. Sridharan K, Sivaramakrishnan G. USFDA-potilasviestinnän parantaminen suurten kielimallien kautta: Konseptitutkimus. Asiantuntija Rev Clin Pharmacol . 2024; 17 (8): 731-741.
23. Huang X, Estau D, Liu X, et ai. ChatgPT: n suorituskyvyn arviointi kliinisessä apteekissa: CHATGPT: n ja kliinisten apteekkien vertaileva tutkimus. Br J Clin Pharmacol . 2024; 90 (1): 232-238.
24. Chen ai, Ferris LK, Nambudiri ve, Piette EW. Chatrx: chatgptin potentiaali kouluttaa potilaita lääkityksen haitallisista vaikutuksista. J Am Acad Dermatol. 2024; 90 (3): 669-670.
25. Morath B, Chiriac U, Jaszkowski E, et ai. Lääketiedoissa käytettyjen chatgPT: n suorituskyky ja riskit: tutkittava reaalimaailman analyysi. Eur J Hosp Pharm. 2024; 31 (6): 491-497.
26. Burnette H, Pabani A, Von Itzstein MS, et ai. Keinotekoisten älykkyyskeskustelujen käyttö immuuniin liittyvien haittavaikutusten kliinisessä hoidossa. J Immunater -syöpä . 2024; 12 (5): E008599.
27. Chang A, Young J, Para A, et ai. ChatgPT: n tehokkuus potilaan ja lääkäreiden kouluttamisessa syöpähoitoon liittyvistä ihotoksisuuksista. JMer Dermatol . 2024; 7: E54919.
28. Andrikyan W, Sametger SM, Kosfeld F, et ai. Keinotekoinen älykkyyskäyttöiset chatbotit hakukoneissa: poikkileikkaustutkimus potilaille lääketietojen laadusta ja riskeistä. Bmj, joka saf . 2024: BMJQS-2024-017476.
29. Beavers J, Schell RF, Vancleave H, et ai. Keinotekoisen älykkyyden chatbotin potilaiden lääkitysohjeiden arviointi. Am J Health Syst Pharm . 2023; 80 (24): 1822-1829.
30. Ong JCL, Michael C, Ng N, et ai. Generatiiviset AI- ja suuret kielimallit lääkkeisiin liittyvien haittojen ja haitallisten lääkkeiden tapahtumien vähentämisessä - laajuuskatsaus. Medrxiv. 14. syyskuuta 2024. https://www.medrxiv.org/content/10.1101/2024.09.13.24313606v1 . Pääsy 20. tammikuuta 2025.
31. Wang X, Liu XQ. ChatgPT: n ja generatiivisen tekoälyn potentiaalit ja rajoitukset lääketieteellisessä turvallisuuskoulutuksessa. World J Clin -tapaukset. 2023; 11 (32): 7935-7939.
32. FDA. Haitallisten tapahtumien raportointijärjestelmä (AERS): Vanhemmat neljännesvuositiedostot. https://www.fda.gov/drugs/fdas-adverse-event-reporting-system-faers/adverse-event-reporting-system-aers-older-quarterly-data-files . Pääsy 5. marraskuuta 2024.
33. Sonawane KB, Cheng N, Hansen RA. FDA: lle ilmoitetut vakavat haittavaikutukset: FDA: n haittavaikutusten raportointijärjestelmän 2006-2014 tietokannan analyysi. J Manag Care Spec Pharm. 2018; 24 (7): 682-690.
34. Alomar M, Tawfiq AM, Hassan N, Palaian S. Epäiltyjen haitallisten lääkkeiden reaktioiden markkinoinnin jälkeinen valvonta spontaanilla raportoinnilla: nykytila, haasteet ja tulevaisuus. Ther Adv -lääke Saf. 2020; 11: 2042098620938595.
35. Al-Azzawi F, Mahmoud I, Haguinet F, et ai. Keinotekoisen älykkyysohjatun signaalin havaitsemisen kehittäminen elintarvike- ja lääkkeen antamisen haittavaikutusten raportointijärjestelmässä (Faers): Konseptitutkimus galcanezumabilla ja simuloituja tietoja. Lääke Saf . 2023; 46 (8): 743-751.
36. Létinier L, Jouganous J, Benkebil M, et ai. Tyylikäs älykkyys jäsentämättömille terveydenhuoltotietoille: Haitallisten lääkkeiden reaktioiden raportoinnin koodauksen soveltaminen. Clin Pharmacol There . 2021; 110 (2): 392-400.
37. Schmider J, Kumar K, Laforest C, et ai. Innovaatio farmakoovituksessa: tekoälyn käyttö haittavaikutustapausten käsittelyssä. Clin Pharmacol Ther. 2019; 105 (4): 954-961.
38. Gonzalez-Hernandez G, Krallinger M, Muñoz M, et ai. Haitalliset lääkkeiden reaktiot haasteet ja mahdollisuudet: Pharman, sääntelyvirastojen, terveydenhuollon tarjoajien ja kuluttajien näkökulmat. Tietokanta (Oxford). 2022;
39. Liu N, Chen CB, Kumara S. Puolivalvottu oppimisalgoritmi korkean prioriteetin lääkkeen vuorovaikutusten tunnistamiseksi haittavaikutusten kautta. IEEE J Biomed Health . 2020; 24 (1): 57-68.
40. Cai R, Liu M, Hu Y, et ai. Haitallisten lääkeaineiden vuorovaikutusten tunnistaminen syy-assosiaatiosääntöjen löytämisen kautta spontaanista haittavaikutuksista. Arberberberp Med . 2017; 76: 7-15.
41. Evans Rs. Sähköiset terveystiedot: Sitten ja tulevaisuudessa. Yearb informaatiolla . 2016; Suppl 1: S48-S61.
42. Yang X, Bian J, Gong Y, et ai. Madex: Järjestelmä lääkkeiden, haitallisten lääkkeiden tapahtumien ja niiden suhteiden havaitsemiseksi kliinisistä muistiinpanoista. Lääke Saf . 2019; 42 (1): 123-133.
43. Wasylewicz A, Van de Burgt B, Weterings A, et ai. Br J Clin Pharmacol . 2022; 88 (3): 1235-1245.
44. Abedian Kalkhoran H, Zwaveling J, Van Hunsel F, Kant A. Innovatiivinen menetelmä vahvistaa todisteita mahdollisista lääketurvallisuussignaaleista sähköisissä terveyskertomuksissa. J järjestelmän kanssa . 2024; 48 (1): 51.
45. Graafsma J, Murphy RM, Van de Garde EMW, et ai. Keinotekoisen älykkyyden käyttö kliinisen päätöksenteon tukijärjestelmien tuottamien lääkityshälytysten optimoimiseksi: laajuuskatsaus. J Am Med Inform Inform Assoc. 2024; 31 (6): 1411-1422.
46. Wei Q, Ji Z, Li Z, et ai. Tutkimus syvän oppimisen lähestymistavoista lääkkeiden ja haitallisten lääkkeiden tapahtumien poistosta kliinisestä tekstistä. J Am Med Inform Inform Assoc. 2020; 27 (1): 13-21.
47. Uzuner Ö, Stubbs A, Lenert L. Ylätaiteen edistäminen haitallisten huumetapahtumien automaattisen uuttamisessa kertomuksista. J Am Med Inform Inform Assoc. 2020; 27 (1): 1-2.
48. Huang Jy, Lee WP, Lee KD. Sosiaalisen median viestien haitallisten lääkkeiden reaktioiden ennustaminen: Tiedon tasapaino, ominaisuuksien valinta ja syvä oppiminen . Terveydenhuolto (Basel). 2022; 10 (4): 618.
49. Yasrebi-de Kom IAR, Dongelmans DA, De Keizer NF, et ai. Elektroniset terveystietoihin perustuvat ennustemallit sairaalassa oleville haittavaikutuksille diagnoosille tai ennusteelle: systemaattinen katsaus. J Am Med Inform Inform Assoc. 2023; 30 (5): 978-988.
50. Medatare. 92D12207E3E3B23E1F6B84E2A910ACC2FCC2E1B3E.
51. Segal G, Segev A, Brom A, et ai. Lääkkeiden reseptivirheiden ja haitallisten lääkkeiden tapahtumien vähentäminen soveltamalla todennäköisyyttä, koneoppimiseen perustuva kliininen päätöksenteon tukijärjestelmä sairaalahoidossa. J Am Med Inform Inform Assoc. 2019; 26 (12): 1560-1565.
52. DEIMAZAR G, SHEIKHTAHERI A. Koneoppimismallit potilasturvallisuustapahtumien havaitsemiseksi ja ennustamiseksi käyttämällä sähköisiä terveystietoja: systemaattinen katsaus. Int J Med tiedottaa . 2023;
53. Ouchi K, Lindvall C, Chai PR, Boyer EW. Koneoppi ennustamaan, havaitsemaan ja puuttumaan vanhemmille aikuisille alttiita haitallisille huumetapahtumille ensiapuosastolla. J toksikolilla . 2018; 14 (3): 248-252.
54. Liu X, Chen H. Tutkimuskehys terveyden sosiaalisen median farmakoovitukselle: Potilaan haitallisten lääkkeiden tapahtumien tunnistaminen ja arviointi. J Biomed . 2015;
55. Sampathkumar H, Chen XW, Luo B. Kaivostoiminnan haittavaikutusten lääkkeiden reaktiot online -terveydenhuollon foorumeista piilotetun Markov -mallin avulla. BMC inform Decis Mak . 2014;
56. Leaman R, Wojtulewicz L, Sullivan R, et ai. Kohti Internet-ikäistä farmakoovitusta: haitallisten lääkkeiden reaktioiden poistaminen käyttäjän viesteistä terveyteen liittyviin sosiaalisiin verkostoihin. Biolääketieteen luonnollisen kielen käsittelyn vuoden 2010 työpajan julkaisut. Heinäkuu 2010; 117-125. E30971315C3A67959FC59C5A9BF7D1368D681 . Pääsy 5. marraskuuta 2024.
57. Roosan D, Law AV, Roosan MR, Li Y. Keinotekoiset älykkäät kontekstitietoiset koneoppimistyökalut haitallisten huumetapahtumien havaitsemiseksi sosiaalisen median alustoilta. J toksikolilla . 2022; 18 (4): 311-320.
58. Korkontzelos I, Nikfarjam A, Shardlow M, et ai. Tunteaanalyysin vaikutuksen analyysi haittavaikutusten uuttamiseen tweeteistä ja foorumin viesteistä. J Biomed -tieto. 2016;
59. Nikfarjam A, Sarker A, O’Connor K, et ai. Sosiaalisen median farmakovigilanssi: Kaivostoiminnan haittavaikutuksen reaktio mainitsee sekvenssimerkinnän käyttämällä sanan upotusklusterin ominaisuuksia. J Am Med Inform Inform Assoc . 2015; 22 (3): 671-681.
60. Yousef RNM, Tiun S, Omar N. Laajennettu laukaustermit haittavaikutusten poistamiseksi sosiaalisen median teksteissä. Journal Comput Sci. 2019; 15 (6): 873-879.
61. Github. Adrmiine. https://github.com/azinik/ADRMine . Pääsy 5. marraskuuta 2024.
62. Zhang Y, Cui S, Gao H. Haitalliset lääkkeen reaktion havaitseminen sosiaalisessa mediassa syvien kielellisten piirteiden kanssa. J Biomed . 2020; 106: 103437.
63. Pourebrahim B, Keyvanpour M. Haittavaihteisten lääkkeiden reaktion havaitseminen tietojen louhintatekniikoilla: Katsausartikkeli. 2020 10. kansainvälinen tietokone- ja tietotekniikan konferenssi (ICCKE). 29. lokakuuta 2020; 118-123. IEEE. https://ieeexplore.ieee.org/abstract/document/9303709/ . Pääsy 5. marraskuuta 2024.
64. Cocos A, Fiks AG, Masino AJ. Syvä oppiminen farmakoovitukselle: toistuvat hermoverkkoarkkitehtuurit haitallisten lääkkeiden reaktioiden merkitsemiseksi Twitter -viesteissä. J Am Med Inform Inform Assoc . 2017; 24 (4): 813-821.
65. Alimova I, Tubalina E. Automaattinen haitallisten lääkkeiden reaktioiden havaitseminen sosiaalisen median viesteistä koneoppimisella. Julkaisussa: Kuvien, sosiaalisten verkostojen ja tekstien analyysi: 6. kansainvälinen konferenssi, AIST 2017, Moskova, Venäjä, 27.-29. Heinäkuuta 2017, tarkistettu valittuja papereita 6 (s. 3-15). Springer International Publishing. 2018. https://scholar.google.com/scholar?hl=en&as_sdt=7%2C31&q=automated+detection+of+adverse+drug+reaction+form+social+media+posts+with+machine+learning&btnG= . Pääsy 5. marraskuuta 2024.
66. Liu J, Zhao S, Zhang X. Yhtye menetelmä haitallisten huumeiden tapahtumien purkamiseksi sosiaalisesta mediasta. Arberberberp Med . 2016;
67. Plachouras V, Leidener JL, Garrow AG. Itse ilmoitettujen haitallisten huumetapahtumien kvantifiointi Twitterissä: Signaali- ja aiheanalyysi. Julkaisussa: Sosiaalisen median ja yhteiskunnan seitsemännen 2016 kansainvälisen konferenssin (SMSoCiety '16) julkaisut. Laskentakoneiden yhdistys. 2016. New York, NY, USA, artikkeli 6, 1–10. 15D59D745767657CF197225C204C31A0BEE3DA8 . Pääsy 5. marraskuuta 2024.
68. Chee BW, Berliini R, Schatz B. Haitallisten lääkkeiden tapahtumien ennustaminen henkilökohtaisista terveysviesteistä. AMIA Annu Symp Proc. 2011;
69. Denecke K, Gabarron E, Grainger R, et ai. Osallistuvan terveyden keinotekoinen äly: sovellukset, vaikutukset ja tulevat vaikutukset. Yearb informaatiolla . 2019; 28 (1): 165-173.
70. Zolnoori M, Fung KW, Patrick TB, et ai. Psytar -tietojoukko: Potilaat tuottivat kertomuksia haitallisten lääkkeiden tapahtumien ja psykiatristen lääkkeiden tehokkuuteen. Tietojen lyhyt. 2019; 24: 103838.
71. Pateki A, Sarker A, Pimpalkhute P, et ai. Kaivostoiminnan haitalliset lääkkeen reaktiot signaalit sosiaalisesta mediasta: Uutimaan ylittäminen . Jatkaa biolinkig . 2014;
72. https://www.askapatient.com/general/about.asp . Pääsy 5. marraskuuta 2024.
73. Dailystrength. 62386A7D8F3CA6A8BD652D472B346B70D5418D . Pääsy 5. marraskuuta 2024.
74. Healthboards.com. 56133FFEA527E81D3F06821A5E493B3DC8B73B3 . Pääsy 5. marraskuuta 2024.
75. chatrx.com. 0F4DBFEE8061BBDBBBB77FBA38ADB6CCE161E3299 . Pääsy 5. marraskuuta 2024.
76. PotilaatSlikeme.com. https://www.patientslikeme.com/about . Saavutettu 21. tammikuuta 2025.
77. potilas.info. 8F3637326731B9802FA80555FC60E4A367B05B1 . Pääsy 5. marraskuuta 2024.
78. Yang S, Kar S. Keinotekoisen älykkyyden ja koneoppimisen soveltaminen haittavaikutusten (ADR) ja lääkkeen aiheuttaman toksisuuden varhaisessa havaitsemisessa. Saapuvat saapuvat kemia . 2023; 1 (2): 100011.
79. Zhang L, Zhang H, Ai H, et ai. Koneoppimismenetelmien sovellukset huumeiden myrkyllisyyden ennustamisessa. Curr Top Med Chem . 2018; 18): 987-997.
80. Hasanzad M, Nosrati M, Khatami F, et ai. Huumeiden löytäminen tarkkuuslääketieteen ja tekoälyn yhteydessä. Asiantuntija Rev Precision Med -lääke kehittyy . 2024; 9 (1): 42-53. 81. Micaglio E, Locati ET, Monasky MM, et ai. Farmakogenetiikan rooli haitallisissa lääkereaktioissa: päivitys henkilökohtaiseen lääketieteeseen. Farmakooli . 2021;
82. Galletti C, Aguirre-Plans J, Oliva B, Fernandez-Fuentes N. Proteiinikohteisiin kytketyn haittavaikutuksen ennustaminen verkkopohjaisen tiedon ja koneoppimisen avulla. Bioinformi . 2022; 2: 906644.
83. Galletti C, Bota PM, Oliva B, Fernandez-Fuentes N. Lääkekohde- ja lääkeainekappilareaktiotietokantojen louhinta kohde-lääkeaineaktiosuhteiden tunnistamiseksi. Tietokanta (Oxford). 2021; 2021: BAB068.
84. Lin SF, Xiao KT, Huang YT, et ai. Haittavaikutusten analyysi lääkkeiden ja lääkkeen kohde-vuorovaikutusten ja kuvaajapohjaisten menetelmien avulla. Arberberberp Med . 2010; 48 (2-3): 161-166.
85. IETSWAART R, Arat S, Chen Ax, et ai. Koneoppimisen ohjattu haittavaikutusten assosiaatio in vitro kohdepohjaiseen farmakologiaan. Ebiomedicine . 2020; 57: 102837.
86. Shankar S, Bhandari I, Okou dt, et ai. Kahden lääkkeen yhdistelmien haitallisten lääkkeiden reaktioiden ennustaminen käyttämällä rakenteellisia ja transkriptisiä lääkkeen esityksiä keinotekoisen hermoverkon kouluttamiseksi. Chem Biol Drug Des . 2021; 97 (3): 665-673.
87. Liu M, Wu Y, Chen Y, et ai. Haittavaikutusten laajamittainen ennustaminen lääkkeiden kemiallisilla, biologisilla ja fenotyyppisillä ominaisuuksilla. J Am Med Inform Inform Assoc . 2012; 19 (E1): E28-E35.
88. Banda JM, Evans L, Vanguri RS, et ai. Kuratoitu ja standardisoitu haittavaikutuslääketapahtumien resurssi huumeiden turvallisuustutkimuksen nopeuttamiseksi . SCI -tiedot . 2016; 3: 160026.
89. Mohsen A, Tripathi LP, Mizuguchi K. Haitallisten lääkkeiden reaktioiden syvän oppimisen ennustaminen huumeiden löytämisessä avoimien TG -porttien ja Faers -tietokantojen avulla. Huumeiden etulevy . 2021;
90. Galati S, Di Stefano M, Martinelli E, et ai. Venompred: Koneoppimispohjainen alusta molekyylitoksisuusennusteille. Int J Mol Sci . 2022; 23 (4): 2105.
91. Pisan yliopiston farmasian korkeakoulu. Venompred 2.0. 3715B40938E1F7FD65FACCBA0453A262348A69 . Pääsy 5. marraskuuta 2024.
92. Shimizu Y, Sasaki T, Takeshita Ji, et ai. Keskimääräisen molekyylipainon (AMW) tunnistaminen hyödyllisenä kemiallisena kuvaajana maksavaurioita aiheuttavien lääkkeiden erottamiseksi. Plos yksi. 2021; 16 (6): E0253855.
93. Liu X, Zheng D, Zhong Y, et ai. Koneoppimista ennustaminen suun kautta annettavan lääkkeen aiheuttamasta maksavauriosta (DILI) useiden ominaisuuksien ja päätepisteiden kautta. Biomed Res Int. 2020; 2020: 4795140.
94. Ancuceanu R, Hovanet MV, Anghel AI, et ai. Laskennalliset mallit käyttävät useita koneoppimisalgoritmeja lääkkeen maksatoksisuuden ennustamiseen Dilirank -tietojoukon kanssa. Int J Mol Sci . 2020; 21 (6): 2114.
95. Dragovic S, Vermeulen NP, Gerets HH, et ai. Todistepohjainen koulutusyhdisteiden valinta käytettäväksi ihmisen lääkkeen aiheuttaman maksavaurion mekanismiin perustuvassa integroidussa ennustamisessa. Kaaritoksoli . 2016; 90 (12): 2979-3003.
96. Yamagata Y, Yamada H. Ontologinen lähestymistapa myrkyllisen prosessin ja myrkyllisen kurssin esityskehyksen tietojärjestelmään varhaisessa lääkeriskien hallinnassa. SCI -edustaja . 2020; 10 (1): 14581.
97. Yang PC, DeMarco KR, Aghasafari P, et ai. Laskennallinen putkilinja kardiotoksisuuden ennustamiseksi: atomista rytmiin. Ympyrä tapahtuma. 2020; 126 (8): 947-964.
98. Rodriguez R, Joseph H, Macrito R, et ai. Antineoplastisiin liittyvän kardiotoksisuuden riskin ennustamismallit rintasyövän hoidossa: systemaattinen katsaus. Am J Health Syst Pharm . 2023;
99. Jamal S, Goyal S, Shanker A, Grover A. Neurologisten haittavaikutusten ennustaminen lääkkeiden biologisiin, kemiallisiin ja fenotyyppisiin ominaisuuksiin perustuen koneoppimista malleilla. SCI -edustaja . 2017; 7 (1): 872.
100. Lamy JB. Tietotieteen lähestymistapa lääketurvallisuuteen: Haittavaikutusten semanttinen ja visuaalinen louhinta kivun hoidon kliinisistä tutkimuksista. Arberberberp Med. 2021; 115: 102074.
101. Gardella J, Abrahamsson D, Zelikoff J. Todellisen elämän ympäristöaltistuksen vaikutus lisääntymiseen: Koneoppimisen nykyaikainen katsaus ennustaa lääkkeiden haitallisia raskaustuloksia, mukaan lukien DDI. Jäljentäminen. 2024; 168 (6): E240183.
102. Raja K, Patrick M, vanhin JT, Tsoi LC. Koneoppimisen työnkulku haittavaikutusten (ADR) ennusteiden parantamiseksi lääke-geenin vuorovaikutusten avulla: soveltaminen ihon sairauksien lääkkeisiin. SCI -edustaja . 2017; 7): 3690.
103 Koneoppiminen sovelluksilla. 2022; 9: 100367.
104. Abdeldjouad FZ, Brahami M, Sabri M. Keinotekoisen älykkyyden tehokkuuden arviointi syöpäpotilaiden haitallisten lääkkeiden reaktioiden ennustamisessa: systemaattinen katsaus ja metaanalyysi. Arxiv . 2024.
105. Yalçın N, Kaşıkcı M, Çelik HT, et ai. Keinotekoinen älykkyyslähestymistapa vastasyntyneiden haittavaikutusten havaitsemiseksi vakavuus- ja todennäköisyyspisteisiin perustuvien pistemäärien perusteella: uusi riskipiste Web-työkaluna. Lapset (Basel). 2022; 9 (12): 1826.
106. Chalasani SH, Syed J, Ramesh M, et ai. Keinotekoinen äly apteekkikäytännön alalla: Kirjallisuuskatsaus. Selitä Clin Sod Pharm . 2023;
107. Terveydenhuollon parantamisen instituutti. Lucian Leape -instituutti. Potilasturvallisuus ja tekoäly - Osoittaminen ja haasteet hoidon toimittamiseen. 13. toukokuuta 2024. C55917B43F0776EAF607B5193E4D15B42D07EC . Pääsy 5. marraskuuta 2024.
108. Feske-Kirby K, Shojania K, McGaffigan P. Terveydenhuollon tekoäly: vaikutukset potilaan ja työvoiman turvallisuuteen. Boston: terveydenhuollon parantamisen instituutti; 2024. https://www.ihi.org/resources/publications/artificial-intelligence-health-care-implications-patient-and-workforce. Accessed November 5, 2024.
109. Smoke S. Keinotekoinen äly apteekissa: opas lääkäreille. Am J Health Syst Pharm. 2024; 81 (14): 641-646.
Tämän artikkelin sisältö on tarkoitettu vain informaatiotarkoituksiin. Sisällön ei ole tarkoitus korvata ammatillista neuvoa. Luottamus kaikkiin tässä artikkelissa esitetyistä tiedoista on yksinomaan omassa riskissäsi.
