Aprovechar los grandes modelos de lenguaje para extraer información de seguridad de medicamentos de las etiquetas de...

Área de la Ciencia:

• Procesamiento del lenguaje natural (PNL)
• Aprendizaje automático
• Farmacovigilancia de las sustancias

Sus antecedentes:

• Las reacciones adversas y las interacciones farmacológicas son causas importantes de morbilidad y mortalidad.
• Las etiquetas estructuradas de productos (SPL) son una fuente clave de datos sobre la seguridad de los medicamentos.
• La extracción de información de seguridad de los SPL utilizando métodos tradicionales de PNL es un desafío.

Objetivo del estudio:

• Evaluar modelos de lenguaje generativo (LLM) para extraer información sobre la seguridad de los fármacos de los SPL.
• Comparar el rendimiento de diferentes LLM con los métodos de referencia.
• Evaluar la adaptabilidad de los LLM para la obtención de datos sobre las interacciones farmacológicas.

Principales métodos:

• Comparó los LLM de GPT, Llama y Mixtral con dos métodos de referencia para la extracción de reacciones adversas (RA) de los SPL.
• Investigó el impacto de las estrategias de prontamiento y la complejidad de los términos en la extracción de AR.
• Evaluó la capacidad de los modelos generativos para extraer las interacciones farmacológicas sin ajuste fino.

Principales resultados:

• Los LLM generativos, en particular GPT-4, lograron un rendimiento comparable o mejor que los modelos de última generación sin capacitación adicional.
• El rendimiento de la extracción fue influenciado por la sección de SPL, el contexto y la complejidad del término AR.
• Se ha demostrado la generalización del modelo mediante la extracción de nombres de fármacos de la sección de interacciones farmacológicas.

Conclusiones:

• Los LLM generativos muestran un gran potencial para automatizar la extracción de información sobre la seguridad de los fármacos de los SPL.
• Esta automatización puede mejorar la vigilancia posterior a la comercialización y contribuir a reducir las ERA.
• Las investigaciones futuras deben perfeccionar la solicitud y ampliar las capacidades del modelo para datos de seguridad complejos.