Video Experimental Relacionado
Updated: Feb 24, 2026

Evidence-based Knowledge Synthesis and Hypothesis Validation: Navigating Biomedical Knowledge Bases via Explainable AI and Agentic Systems
Published on: June 13, 2025
Construcción de grafos de conocimiento basados en crowdsourcing para efectos secundarios de fármacos utilizando
Zhijie Duan1, Kai Wei2, Zhaoqian Xue3
1University of Pennsylvania, Philadelphia, PA.
Los modelos de lenguaje grandes (LLM) extraen efectos secundarios de medicamentos de las redes sociales, creando grafos de conocimiento para la farmacovigilancia. Este enfoque ofrece información centrada en el paciente sobre los efectos secundarios de la semaglutida, complementando los datos de seguridad existentes.
Área de la Ciencia:
- Farmacovigilancia y seguridad de los medicamentos
- Inteligencia artificial en la atención médica
- Minería de datos de redes sociales
Sus antecedentes:
- Las redes sociales proporcionan datos valiosos de la experiencia del paciente en el mundo real para la farmacovigilancia.
- La extracción de información estructurada del contenido ruidoso de las redes sociales es un desafío.
Objetivo del estudio:
- Presentar un marco sistemático que utiliza modelos de lenguaje grandes (LLM) para extraer efectos secundarios de medicamentos de las redes sociales.
- Organizar los datos extraídos en un grafo de conocimiento (KG) para un análisis integral.
- Investigar los efectos secundarios de la semaglutida para la pérdida de peso utilizando datos de Reddit.
Principales métodos:
- Se desarrolló un marco que aprovecha los LLM para la extracción automatizada de efectos secundarios de medicamentos de las redes sociales.
- Se aplicó el marco a datos de semaglutida de Reddit, construyendo un grafo de conocimiento.
- Se analizaron los efectos secundarios informados en diferentes marcas de semaglutida y a lo largo del tiempo.
- Se validaron los hallazgos comparándolos con la base de datos FAERS.
Principales resultados:
- Se extrajeron y estructuraron con éxito los efectos secundarios de los medicamentos de los datos de las redes sociales utilizando LLM.
- Se generó un grafo de conocimiento que detalla los efectos secundarios de la semaglutida informados en Reddit.
- Se identificaron información centrada en el paciente sobre el perfil de seguridad de la semaglutida, complementando los datos de FAERS.
Conclusiones:
- Los LLM pueden transformar eficazmente los datos no estructurados de las redes sociales en grafos de conocimiento estructurados para la farmacovigilancia.
- Este marco proporciona información valiosa centrada en el paciente sobre los efectos secundarios de los medicamentos, mejorando la monitorización de la seguridad.
- El enfoque demuestra la viabilidad de aplicaciones más amplias en farmacovigilancia y generación de evidencia en el mundo real.
Más Videos Relacionados
Videos de Conceptos Relacionados
Pharmacovigilance
This process, termed pharmacovigilance, aims to detect, evaluate, and minimize harmful effects related to medication use. The data collection for pharmacovigilance depends on spontaneous reporting systems, where healthcare professionals or patients voluntarily report suspected ADRs.
In some cases, there...
Drug Discovery: Overview
Drug Biotransformation: Overview
Drug Nomenclature
Impact of Pharmacokinetic–Pharmacodynamic Models: Regulatory Decisions
Pharmacogenomics: Identification of New Drug Targets

