Artificial Intelligence for Post-Marketing Pharmacovigilance of Herbal and Botanical Medicines: A Scoping Review and the MIAHPV Framework
Deze scoping review identificeert een kritieke kloof in de toepassing van kunstmatige intelligentie op herbalistische farmacovigilantie vanwege inconsistente datakwaliteit in bestaande veiligheidsrapportages en stelt het MIAHPV-framework voor, een zevenpuntige standaard die is ontworpen om de gereedheid van herbalistische individuele veiligheidsrapportages voor AI-gebaseerde signaaldetectie te evalueren en te verbeteren.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je de wereld van de geneeskunde voor als een enorme, drukke bibliotheek waar, elke keer dat iemand een pilletje neemt en zich een beetje vreemd voelt, een bibliothecaris het in een gigantisch grootboek opschrijft. Dit wordt farmacovigilantie genoemd—de wetenschap van het in de gaten houden van bijwerkingen nadat medicijnen op de markt zijn gekomen. Decennialang waren deze grootboeken gevuld met rapporten over standaard receptplichtige medicijnen, en wetenschappers gebruikten slimme computerprogramma's (Kunstmatige Intelligentie) om ze te scannen, op zoek naar verborgen patronen die mensen zouden missen. Het is als het gebruik van een supersnelle metaaldetector om een specifieke verloren munt te vinden in een veld vol zand.
Maar hier komt de wending: miljoenen mensen gebruiken ook kruidentheeën, wortels en plantaardige supplementen naast hun recepten. Wanneer er iets misgaat met deze natuurlijke producten, wordt het in dezelfde grootboeken genoteerd. Echter, de aantekeningen over kruiden zijn vaak slordig. In plaats van "Kamille" te schrijven, schrijft een melder misschien gewoon "kruidenthee". In plaats van "Sint-janskruid", schrijft men misschien "dat gele bloemetjesding". Deze slordigheid is als het proberen te gebruiken van je supersnelle metaaldetector in een veld waar iemand een zak met willekeurige troep heeft gedumpt—takjes, stenen en oude frisdrankblikjes—waardoor het onmogelijk is om de specifieke munt te vinden waar je naar op zoek bent. De grote vraag is: kunnen onze slimme computers leren om de troep te negeren en de echte gevaren van kruiden te vinden, of is de data simpelweg te slordig om te redden?
Dit artikel, geschreven door een onafhankelijke onderzoeker genaamd Soham Sanjay More, duikt precies in die slordige materie. De auteur keek niet alleen naar de data; hij ging op een schattenjacht door wetenschappelijke studies om te zien of iemand er succesvol in is geslaagd om computers te leren om kruidengevaren te herkennen met behulp van Kunstmatige Intelligentie (AI). De jacht leverde niets op. Ondanks het feit dat AI geweldig is in het vinden van patronen in schone data, vond de auteur nul studies die deze hoogtechnologische methoden succesvol hadden toegepast specifiek op rapporten over kruidengeneeskunde als hoofdonderwerp. Het blijkt dat de computers niet het probleem zijn; de slordige aantekeningen zijn dat wel.
Om dit op te lossen, introduceert het artikel een nieuwe set regels genaamd MIAHPV (Minimum Information for AI-Assisted Herbal Pharmacovigilance). Denk aan dit als een "Kwaliteitschecklist" voor kruidenrapporten. De auteur suggereert dat voordat een computer zelfs maar een rapport kan proberen te analyseren, het rapport aan zeven specifieke tests moet voldoen. Bijvoorbeeld, het rapport moet de exacte wetenschappelijke naam van de plant duidelijk vermelden (niet alleen "kruid"), alle andere medicijnen vermelden die de persoon slikte, en precies uitleggen hoe de plant is bereid (zoals een thee of een poeder). Als een rapport deze controles niet doorstaat, betoogt het artikel dat het is alsof je een puzzel probeert op te lossen met ontbrekende stukjes—de computer zal gewoon gokken, en die gokken zullen fout zijn.
Het artikel kijkt ook naar praktijkvoorbeelden om te laten zien waarom dit ertoe doet. Het vermeldt een beroemd geval waarbij het bloedverdunnersmiddel van een vrouw stopte met werken omdat ze kamille thee dronk, maar haar rapport zei slechts "kruidenthee", wat het moeilijk maakte om het gevaar te ontdekken. Het spreekt ook over een angstaanjagende verwarring waarbij een giftige plant werd aangezien voor een veilige plant omdat de namen in een andere taal op elkaar leken. Deze verhalen bewijzen dat zonder duidelijke, gedetailleerde aantekeningen, zelfs de slimste AI de dag niet kan redden.
De auteur is zeer eerlijk over wat hij nog niet heeft gedaan. Hij geeft toe dat deze "Kwaliteitschecklist" slechts een voorstel is, een startpunt, en geen afgereden instrument dat nog niet is getest op echte wereldgegevens. Hij suggereert dat ongeveer 10% tot 20% van de huidige kruidenrapporten goed genoeg zou kunnen zijn voor AI om te gebruiken, terwijl de rest te slordig is. Het artikel beweert niet het probleem te hebben opgelost; in plaats daarvan biedt het een kaart voor hoe we de rommel kunnen opruimen. Het suggereert dat als we beginnen met het maken van betere rapporten—gebruikmakend van de zeven regels op de checklist—we dan, en pas dan, kunnen hopen onze superintelligente computers te gebruiken om kruidengeneeskunde voor iedereen veilig te houden. Tot die tijd staren de computers slechts naar een stapel onleesbare krabbels.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.