Artificial Intelligence for Post-Marketing Pharmacovigilance of Herbal and Botanical Medicines: A Scoping Review and the MIAHPV Framework
Cette revue de portée identifie une lacune critique dans l'application de l'intelligence artificielle à la pharmacovigilance des produits à base de plantes en raison de l'incohérence de la qualité des données dans les rapports de sécurité existants et propose le cadre MIAHPV, une norme en sept points conçue pour évaluer et améliorer la préparation des rapports de cas individuels de sécurité des plantes pour la détection de signaux basée sur l'IA.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Imaginez le monde de la médecine comme une immense bibliothèque animée où, chaque fois que quelqu'un prend un médicament et se sent un peu bizarre, un bibliothécaire le note dans un registre massif. C'est ce qu'on appelle la pharmacovigilance — la science qui consiste à surveiller les effets secondaires après la mise sur le marché des médicaments. Pendant des décennies, ces registres ont été remplis de rapports sur les médicaments sur ordonnance classiques, et les scientifiques ont utilisé des programmes informatiques ingénieux (l'Intelligence Artificielle) pour les scanner, à la recherche de motifs cachés que les humains pourraient manquer. C'est comme utiliser un détecteur de métaux super rapide pour trouver une pièce de monnaie spécifique perdue dans un champ de sable.
Mais voici le rebondissement : des millions de personnes prennent également des infusions d'herbes, des racines et des compléments à base de plantes en parallèle de leurs prescriptions. Quand quelque chose ne va pas avec ces produits naturels, cela est consigné dans les mêmes registres. Cependant, les notes sur les herbes sont souvent désordonnées. Au lieu d'écrire « Camomille », un rapporteur pourrait simplement écrire « infusion ». Au lieu de « Millepertuis », il pourrait écrire « ce truc avec des fleurs jaunes ». Ce désordre est comparable à une tentative d'utiliser votre détecteur de métaux ultra-rapide dans un champ où quelqu'un aurait jeté un sac de détritus aléatoires — brindilles, cailloux et vieilles canettes de soda — rendant impossible la découverte de la pièce de monnaie précise que vous cherchez. La grande question est la suivante : nos ordinateurs intelligents peuvent-ils apprendre à ignorer les détritus et à trouver les vrais dangers des plantes, ou les données sont-elles trop désordonnées pour être sauvées ?
Ce document, écrit par un chercheur indépendant nommé Soham Sanjay More, plonge directement dans ce désordre. L'auteur n'a pas seulement examiné les données ; il s'est lancé dans une chasse au trésor à travers les études scientifiques pour voir si quelqu'un avait réussi à apprendre aux ordinateurs à repérer les dangers des plantes en utilisant l'Intelligence Artificielle (IA). La chasse est restée infructueuse. Bien que l'IA soit excellente pour trouver des modèles dans des données propres, l'auteur a constaté qu'il n'existait aucune étude ayant appliqué avec succès ces méthodes de haute technologie spécifiquement aux rapports de médecine par les plantes comme sujet principal. Il s'avère que les ordinateurs ne sont pas le problème ; ce sont les notes désordonnées qui le sont.
Pour remédier à cela, le document introduit un nouvel ensemble de règles appelé MIAHPV (Minimum Information for AI-Assisted Herbal Pharmacovigilance - Informations minimales pour la pharmacovigilance des plantes assistée par l'IA). Considérez cela comme une « Liste de contrôle de qualité » pour les rapports sur les plantes. L'auteur suggère qu'avant même qu'un ordinateur puisse tenter d'analyser un rapport, celui-ci doit passer sept tests spécifiques. Par exemple, le rapport doit clairement indiquer le nom scientifique exact de la plante (pas seulement « herbe »), lister tous les autres médicaments que la personne prenait, et expliquer exactement comment la plante a été préparée (comme une infusion ou une poudre). Si un rapport échoue à ces vérifications, le document soutient qu'il revient à essayer de résoudre un puzzle avec des pièces manquantes — l'ordinateur ne fera que deviner, et ses suppositions seront fausses.
Le document examine également des exemples concrets pour montrer pourquoi cela importe. Il mentionne un cas célèbre où le traitement anticoagulant d'une femme a cessé de fonctionner parce qu'elle buvait de la camomille, mais son rapport indiquait simplement « infusion », rendant la détection du danger difficile. Il parle aussi d'une confusion effrayante où une plante toxique a été confondue avec une plante sûre parce que les noms se ressemblaient dans une autre langue. Ces histoires prouvent que sans des notes claires et détaillées, même l'IA la plus intelligente ne peut pas sauver la mise.
L'auteur est très honnête sur ce qu'il n'a pas encore fait. Il admet que cette « Liste de contrôle de qualité » n'est qu'une proposition, un point de départ, et non un outil terminé qui a été testé sur des données réelles. Il suggère qu'environ 10 % à 20 % des rapports actuels sur les plantes pourraient être assez bons pour être utilisés par l'IA, tandis que le reste est trop désordonné. Le document ne prétend pas avoir résolu le problème ; il offre plutôt une carte pour nous aider à réparer le désordre. Il suggère que si nous commençons à rédiger de meilleurs rapports — en utilisant les sept règles de la liste de contrôle — alors, et seulement alors, pourrons-nous espérer utiliser nos ordinateurs super intelligents pour rendre la médecine par les plantes sûre pour tout le monde. D'ici là, les ordinateurs ne font que fixer un tas de gribouillis illisibles.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.