机构名称：
¥ 1.0
摘要在药物宣传中引入人工智能可能是预测不良药物反应并提高患者安全性的变革步骤。使用结构化电子健康记录（EHR）数据和非结构化社交媒体数据，我们评估了三种AI模型，梯度增强，卷积神经网络（CNN）和长期记忆（LSTM）网络的预测能力。我们使用多个性能指标（AUC-ROC，灵敏度，特异性，F1分数）评估模型，以评估其预测各种患者人口统计学的ADR的能力。我们发现CNN是社交媒体数据的最佳分类器，其AUC-ROC为0.91和90％的敏感性，并且梯度提升是结构化EHR数据的最佳分类器，其AUC-ROC为0.89。特征重要性分析和Shapley加性解释（SHAP）提供了模型的解释性，并表明患者年龄，药物类型和剂量是重要的预测因子。分析确定了自然语言处理（NLP）在从非结构化数据源中提取ADR信号以补充传统药物宣传方法的潜力。该研究旨在根据道德数据隐私和模型透明度考虑来满足监管标准。这项工作表明，AI模型可以提高ADR预测准确性，并有助于主动的患者安全方法。准确性和可解释性之间的权衡将应用于临床应用，并探索了数据标准化和混合AI模型的未来方向。
AI在预测不良药物反应中的作用
主要关键词
相关文件推荐
