Artificial Intelligence for Post-Marketing Pharmacovigilance of Herbal and Botanical Medicines: A Scoping Review and the MIAHPV Framework
Diese Scoping Review identifiziert eine kritische Lücke bei der Anwendung künstlicher Intelligenz auf die Phytopharmakovigilanz aufgrund inkonsistenter Datenqualität in bestehenden Sicherheitsberichten und schlägt das MIAHPV-Framework vor, einen siebenstufigen Standard, der darauf ausgelegt ist, die Bereitschaft von pflanzlichen Einzelmeldeberichten für die KI-basierte Signalerkennung zu bewerten und zu verbessern.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich die Welt der Medizin als eine riesige, belebte Bibliothek vor, in der jedes Mal, wenn jemand eine Pille einnimmt und sich ein wenig seltsam fühlt, ein Bibliothekar dies in ein massives Register einträgt. Dies nennt man Pharmakovigilanz – die Wissenschaft der Überwachung von Nebenwirkungen, nachdem Medikamente auf den Markt gekommen sind. Jahrzehntelang waren diese Register mit Berichten über Standardverschreibungspflichtige Medikamente gefüllt, und Wissenschaftler nutzten kluge Computerprogramme (Künstliche Intelligenz), um diese zu scannen und nach verborgenen Mustern zu suchen, die Menschen entgehen könnten. Es ist wie die Verwendung eines superschnellen Metalldetektors, um eine bestimmte verlorene Münze in einem Feld voller Sand zu finden.
Aber hier kommt die Wendung: Millionen von Menschen nehmen auch Kräutertees, Wurzeln und pflanzliche Nahrungsergänzungsmittel neben ihren Verschreibungen ein. Wenn etwas mit diesen Naturprodukten schiefgeht, wird es im selben Register festgehalten. Die Notizen über Kräuter sind jedoch oft unordentlich. Anstatt „Kamille“ zu schreiben, schreibt ein Melder vielleicht nur „Kräutertee“. Anstatt „Johanniskraut“ zu schreiben, schreiben sie vielleicht „dieses gelbe Zeug“. Diese Unordnung ist wie der Versuch, Ihren superschnellen Metalldetektor in einem Feld zu benutzen, in das jemand einen Beutel mit zufälligem Müll – Zweigen, Steinen und alten Getränkedosen – entleert hat, was es unmöglich macht, die spezifische Münze zu finden, die man sucht. Die große Frage ist: Können unsere intelligenten Computer lernen, den Müll zu ignorieren und die echten Kräutergelahren zu finden, oder sind die Daten einfach zu unordentlich, um zu retten?
Dieses Papier, geschrieben von einem unabhängigen Forscher namens Soham Sanjay More, taucht genau in dieses unordentliche Feld ein. Der Autor hat die Daten nicht nur betrachtet; er hat eine Schatzsuche durch wissenschaftliche Studien unternommen, um zu sehen, ob es jemandem gelungen ist, Computer erfolgreich dazu zu bringen, Kräutergelahren mithilfe von Künstlicher Intelligenz (KI) zu erkennen. Die Suche blieb ergebnislos. Obwohl die KI großartig darin ist, Muster in sauberen Daten zu finden, stellte der Autor fest, dass es null Studien gab, die diese hochtechnologischen Methoden erfolgreich speziell auf Berichte über pflanzliche Arzneimittel als Hauptfokus angewendet haben. Es stellt sich heraus, dass nicht die Computer das Problem sind; es sind die unordentlichen Notizen.
Um dies zu beheben, führt das Papier eine neue Regelgruppe namens MIAHPV (Minimum Information for AI-Assisted Herbal Pharmacovigilance) ein. Denken Sie an dies als eine „Qualitäts-Checkliste“ für Kräuterberichte. Der Autor schlägt vor, dass ein Bericht, bevor ein Computer überhaupt versuchen kann, ihn zu analysen, sieben spezifische Tests bestehen muss. Zum Beispiel muss der Bericht den exakten wissenschaftlichen Namen der Pflanze klar angeben (nicht nur „Kraut“), alle anderen Medikamente auflisten, die die Person einnahm, und genau erklären, wie die Pflanze zubereitet wurde (wie etwa ein Tee oder ein Pulver). Wenn ein Bericht diese Prüfungen nicht besteht, argumentiert das Papier, ist es so, als würde man versuchen, ein Puzzle mit fehlenden Teilen zu lösen – der Computer wird einfach raten, und diese Ratenskalkulationen werden falsch sein.
Das Papier betrachtet auch reale Beispiele, um zu zeigen, warum dies wichtig ist. Es erwähnt einen berühmten Fall, bei dem das Blutverdünnungsmittel einer Frau aufhörte zu wirken, weil sie Kamillentee trank, aber ihr Bericht lediglich „Kräutertee“ angab, was es schwierig machte, die Gefahr zu erkennen. Es spricht auch von einer erschreckenden Verwechslung, bei der eine giftige Pflanze aufgrund ähnlicher Namen in einer anderen Sprache mit einer sicheren verwechselt wurde. Diese Geschichten beweisen, dass selbst die klügste KI ohne klare, detaillierte Notizen den Tag nicht retten kann.
Der Autor ist sehr ehrlich darüber, was er noch nicht getan hat. Er gibt zu, dass diese „Qualitäts-Checkliste“ nur ein Vorschlag ist, ein Ausgangspunkt, kein fertiges Werkzeug, das noch nicht an realen Daten getestet wurde. Er legt nahe, dass etwa 10 % bis 20 % der aktuellen Kräuterberichte gut genug für die Nutzung durch KI sein könnten, während der Rest zu unordentlich ist. Das Papier beansprucht nicht, das Problem gelöst zu haben; stattdessen bietet es eine Karte an, wie wir das Chaos beheben könnten. Es schlägt vor, dass, wenn wir anfangen, bessere Berichte zu schreiben – unter Verwendung der sieben Regeln auf der Checkliste –, wir erst dann hoffen können, unsere superintelligenten Computer einzusetzen, um die Kräutermedizin für alle sicher zu machen. Bis dahin starren die Computer nur auf einen Haufen unleserlicher Kritzeleien.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.