Classification des signalements de défauts de produits de santé par apprentissage profond

Pourquoi il est important de détecter plus rapidement les médicaments défectueux

La plupart d’entre nous partent du principe que les médicaments et produits de santé que nous utilisons sont sûrs et fabriqués selon des normes de qualité strictes. Pourtant, dans le monde, des centaines de lots de médicaments sont rappelés chaque année en raison de contamination, d’ingrédients incorrects ou d’étiquetages trompeurs. Chaque produit défectueux représente une menace potentielle pour les patients. Les autorités doivent lire et interpréter rapidement des milliers de signalements de défauts pour décider lesquels exigent une action urgente. Cet article décrit comment un système d’apprentissage profond a été construit pour aider les autorités sanitaires à classer ces signalements plus rapidement et de façon plus cohérente, afin qu’elles puissent concentrer leur attention sur les problèmes présentant le plus grand risque pour la santé publique.

Comment les problèmes de produits sont signalés aujourd’hui

Lorsqu’un éventuel défaut est détecté dans un médicament ou un autre produit de santé, un court rapport écrit est envoyé aux autorités. Ces signalements peuvent décrire de nombreux problèmes : des éclats de verre dans un flacon, le mauvais ingrédient dans un comprimé, un emballage qui fuit ou des étiquettes susceptibles d’entraîner des erreurs de posologie. À Singapour, la Health Sciences Authority utilise un dictionnaire médical standard, adapté aux besoins locaux, pour regrouper chaque signalement dans l’une des plusieurs catégories spécifiques, telles que contamination microbienne ou publicité enfreignant les règles. La catégorie attribuée à un rapport aide à déterminer la gravité du problème et la rapidité avec laquelle il doit être traité. Actuellement, des agents formés lisent chaque rapport et attribuent manuellement une étiquette. Ce travail est lent, complexe et peut manquer de cohérence, en particulier à mesure que le nombre de signalements augmente.

Apprendre à un ordinateur à lire les rapports de défauts

Les chercheurs ont entrepris de concevoir un système d’intelligence artificielle capable d’assister ces agents plutôt que de les remplacer. Ils ont rassemblé 13 830 signalements de défauts reçus entre 2010 et 2021, couvrant des médicaments, des vaccins, des compléments et des cosmétiques. Une équipe de pharmaciens expérimentés a soigneusement examiné et étiqueté chaque rapport en utilisant 21 des catégories de défaut les plus courantes, qui couvraient ensemble plus de 99 % des cas. L’équipe a ensuite utilisé un modèle de langage populaire appelé BERT, conçu pour saisir le sens des mots dans leur contexte, comme noyau du système. En affinant BERT sur ce corpus annoté, ils ont créé un outil — appelé MedDefects‑BERT — capable de lire le titre et la description d’un rapport et de prédire la catégorie de défaut la plus probable.

Performance du système

Lorsqu’on l’a testé sur des rapports qu’il n’avait pas vus auparavant, MedDefects‑BERT a retrouvé le choix principal des experts dans 86 % des cas. Si le système était autorisé à proposer ses trois catégories les plus probables, il incluait la bonne catégorie dans 96 % des cas. Cela importe car un agent réel peut simplement examiner une courte liste de suggestions plutôt que de partir de zéro. Le système fonctionnait mieux pour les catégories disposant de plus d’exemples d’entraînement, ce qui est typique en apprentissage automatique. Néanmoins, autoriser jusqu’à trois étiquettes suggérées a fait remonter les performances au-dessus de 70 % pour chaque catégorie, y compris les plus rares. Les scores de confiance du modèle — des nombres entre 0 et 1 indiquant son degré de certitude — étaient fortement corrélés à sa justesse. En fixant un seuil de confiance, l’équipe a montré qu’elle pouvait porter la précision à environ 91 % sur les prédictions « certaines » tout en signalant une fraction modeste de cas comme « incertains » pour un examen humain plus approfondi.

Comprendre les décisions du modèle

Les auteurs ont aussi abordé une préoccupation clé liée à l’IA dans des domaines critiques pour la sécurité : la transparence. Ils ont utilisé des outils de visualisation pour montrer que les rapports appartenant au même type de défaut se regroupent dans la « carte » interne des significations du modèle, tandis que les rapports mal classés se situent aux frontières entre les groupes. Au niveau des mots individuels, ils ont appliqué une méthode appelée SHAP pour mettre en évidence quels termes d’un rapport poussaient le modèle vers une catégorie donnée. Par exemple, des mots liés aux champignons ou à la moisissure influaient fortement sur les prédictions de contamination microbienne, tandis que des termes comme « sédiment » ou « précipitation » soutenaient une catégorie liée aux dépôts dans les produits. Ces explications offrent aux agents un moyen rapide de voir pourquoi le modèle a fait une suggestion et d’évaluer si elle est cohérente dans le contexte.

Rendre le système plus intelligent et plus efficace

Pour améliorer encore les performances sans alourdir le coût informatique, l’équipe a utilisé une technique connue sous le nom de deep prompt tuning. Plutôt que de modifier tous les paramètres internes du modèle, ils ont ajouté de petits « préfixes » entraînables à chaque couche qui orientent subtilement le modèle vers cette tâche spécifique. La combinaison de l’affinage traditionnel et de ces prompts a augmenté la précision du système pour plus de la moitié des catégories de défaut et amélioré sa capacité à détecter correctement les cas dans l’ensemble. Des tests sur des rapports plus récents de 2022 ont montré que la précision du système se maintenait dans le temps, suggérant que sa compréhension des signalements de défauts ne se dégradait pas rapidement.

Ce que cela signifie pour les patients et les autorités

L’étude montre qu’un modèle de langage bien conçu peut aider de manière significative les autorités à trier de grands volumes de signalements de défauts de produits de santé, à standardiser le classement des cas et à mettre en lumière plus rapidement les problèmes à haut risque. Parce que le système explique aussi quels mots et passages ont motivé ses suggestions, les experts humains restent pleinement maîtres des décisions finales. Avec des améliorations supplémentaires — comme la prise en charge de plusieurs types de défauts dans un même rapport et l’extension aux catégories plus rares — des outils similaires pourraient renforcer la surveillance de la qualité des médicaments à l’échelle mondiale, réduire les délais de rappel des produits dangereux et, en fin de compte, mieux protéger les patients.

Citation: Sancenon, V., Huang, Y., Zou, L. et al. Classification of health product defect reports by deep learning. Sci Rep 16, 13528 (2026). https://doi.org/10.1038/s41598-026-43961-3

Mots-clés: sûreté des médicaments, qualité des médicaments, apprentissage profond, surveillance réglementaire, traitement automatique du langage naturel