処方薬のラベルから医薬品の安全性情報を抽出する際の大きな言語モデルを活用する

科学分野:

• 自然言語処理 (NLP)
• 機械学習
• 薬用警戒について

背景:

• 副作用と薬物相互作用は,罹病率と死亡率の重要な原因です.
• 構造化された製品ラベル (SPL) は,医薬品の安全性に関する重要な情報源です.
• 従来のNLP手法でSPLから安全情報を抽出することは困難です.

研究 の 目的:

• 薬物の安全性に関する情報をSPLから抽出するための生成言語モデル (LLM) を評価する.
• 異なるLLMのパフォーマンスをベースライン方法と比較する.
• 薬物相互作用データを回収するためのLLMの適応性を評価する.

主な方法:

• GPT,Llama,およびMixtral LLMをSPLからの有害反応 (AR) 抽出のための2つのベースライン方法と比較した.
• 誘導戦略とAR抽出に関する用語の複雑さの影響を調査した.
• 薬の相互作用を微調整せずに抽出する生成モデルを評価した.

主要な成果:

• 発電型LLMは,特にGPT-4は,追加のトレーニングなしで,最先端のモデルに匹敵するまたはそれよりも優れた性能を達成しました.
• 抽出性能は,SPLセクション,文脈,およびAR用語の複雑さに影響を受けました.
• 薬物相互作用のセクションから薬物名を抽出することによってモデルの汎用性を実証した.

結論:

• 生成型LLMは,SPLから薬物安全性情報を抽出する自動化に強い可能性を示しています.
• この自動化は,販売後の監視を強化し,ADRを減らすのに寄与します.
• 将来の研究は,複雑な安全データに対するモデルの機能を洗練し,拡張する必要があります.