کاربردهای هوش مصنوعی و پردازش زبان طبیعی در شناسایی عوارض جانبی و پایش ایمنی دارو مروری تحلیلی

رشد داده های بالینی و افزایش پیچیدگی درمان های دارویی نیاز به روش های هوشمند برای پایش ایمنی داروها و شناسایی عوارض جانبی را پررنگ تر کرده است. پیشرفت اخیر در یادگیری ماشین، یادگیری عمیق و مدل های زبانی بزرگ LLM امکان تحلیل موثر حجم گسترده ای از متون پزشکی و داده های دارویی را فراهم کرده است. این مقاله با هدف مرور تحلیلی پژوهش های انجام شده در سال های ۲۰۲۲ تا ۲۰۲۵، به بررسی کاربرد هوش مصنوعی در تشخیص و پیش بینی عوارض دارویی، کشف تداخلات دارویی و استخراج اطلاعات مرتبط از منابع متنی می پردازد. در این مطالعه شش پژوهش معتبر در حوزه زیست پزشکی تحلیل شد که حوزه هایی مانند تشخیص خودکار عوارض دارویی ADR، پیش بینی عوارض جانبی، استخراج روابط دارویی، کشف سیگنال های تداخلات دارویی DDI-SADR، تحلیل داده های شبکه های اجتماعی و استفاده از مدل های زبانی بزرگ در پشتیبانی تصمیم گیری بالینی را پوشش می دهند. نتایج مرور نشان می دهد که رویکردهای پژوهشی از روش های کلاسیک مبتنی بر ویژگی هایی مانند TF-IDF و مدل هایی مانند SVM و رگرسیون لجستیک به سمت مدل های عمیق تر شامل شبکه های عصبی، معماری های ترنسفورماتوری و مدل های زبانی بزرگ نظیر BERT، GPT و SciFive حرکت کرده اند. این مدل ها توانسته اند عملکرد بهتری در استخراج دانش، تشخیص الگوهای پیچیده و شناسایی سیگنال های بالقوه خطر نشان دهند. همچنین ادغام داده های چند منبعی همچون پرونده الکترونیک سلامت EHR، پایگاه های دارویی، مقالات PubMed و داده های شبکه های اجتماعی به افزایش دقت و اعتمادپذیری نتایج کمک کرده است. با این حال چالش هایی نظیر عدم تعادل داده ها، نویز متون واقعی، مسائل تفسیرپذیری و محدودیت های حریم خصوصی همچنان پابرجاست. جمع بندی این مرور نشان می دهد که ترکیب روش های پیشرفته هوش مصنوعی با منابع داده متنوع می تواند به ارتقای نظارت بر ایمنی داروها و بهبود سیستم های تصمیم یار بالینی منجر شود.

کلیدواژه ها:

هوش مصنوعی ، پردازش زبان طبیعی ، یادگیری ماشین ، عوارض دارویی ، تداخل دارویی