Modelos lingüísticos para las interacciones entre fármacos: aplicaciones actuales, peligros y direcciones futuras

Área de la Ciencia:

• Farmacovigilancia y seguridad de los medicamentos
• La inteligencia artificial en la medicina
• La informática biomédica

Sus antecedentes:

• Los marcos avanzados de inteligencia artificial (IA), en particular los grandes modelos de lenguaje (LLM), se utilizan cada vez más para las tareas de interacción fármaco-droga (DDI).
• Existe una brecha significativa en las revisiones exhaustivas que detallan las aplicaciones de LLM para identificar IDD conocidas y nuevas.

Objetivo del estudio:

• Revisar el estado actual de la extracción y predicción de IDD basadas en LLM.
• Identificar metodologías y desafíos en la aplicación de las LLM a la investigación de IDD.

Principales métodos:

• Se realizó una amplia búsqueda de la literatura en las principales bases de datos científicas (PubMed, Embase, Web of Science, Scopus, etc.). de enero de 2000 a febrero de 2025.
• Se analizaron métodos para la extracción de DDI utilizando modelos basados en transformadores (por ejemplo, BioBERT, GPT) y para la predicción de DDI utilizando modelos híbridos, agentes conversacionales y métodos basados en señales.

Principales resultados:

• Los LLM demuestran el potencial para automatizar la extracción de DDI de textos y bases de datos biomédicos.
• Se están explorando varias arquitecturas de LLM y marcos de predicción para la identificación de DDI.

Conclusiones:

• Los LLM ofrecen un potencial significativo para el avance de la farmacovigilancia y los sistemas de apoyo a la decisión clínica.
• Abordar las limitaciones en la explicabilidad del modelo, la fiabilidad (alucinaciones) y la calidad de los datos es crucial para la adopción clínica.
• La investigación futura debe centrarse en la validación clínica, la IA explicable (IAX), la curación de datos y la integración de datos multimodales.