Classificazione delle segnalazioni di difetti nei prodotti sanitari mediante deep learning

Perché è importante individuare più rapidamente i farmaci difettosi

La maggior parte di noi presume che i medicinali e i prodotti per la salute siano sicuri e realizzati secondo rigorosi standard di qualità. Eppure, in tutto il mondo, centinaia di prodotti farmaceutici vengono richiamati ogni anno a causa di contaminazioni, ingredienti errati o etichette fuorvianti. Ogni prodotto difettoso rappresenta una potenziale minaccia per i pazienti. Le autorità regolatorie devono leggere e interpretare rapidamente migliaia di segnalazioni di difetti per decidere quali richiedono un intervento urgente. Questo articolo descrive come è stato costruito un sistema di deep learning per aiutare le autorità sanitarie a classificare queste segnalazioni in modo più rapido e coerente, così da poter concentrare l’attenzione sui problemi a maggior rischio per la salute pubblica.

Come vengono segnalati i problemi ai prodotti oggi

Quando si rileva un possibile difetto in un farmaco o in un altro prodotto sanitario, viene inviato alle autorità un breve rapporto scritto. Queste segnalazioni possono descrivere molti tipi di problemi: schegge di vetro in una fiala, l’ingrediente sbagliato in una compressa, imballaggi che perdono o etichette che potrebbero portare a errori di dosaggio. A Singapore, la Health Sciences Authority utilizza un dizionario medico standard, adattato alle esigenze locali, per raggruppare ogni segnalazione in una delle diverse categorie specifiche, come la contaminazione microbica o la pubblicità che infrange le regole. La categoria assegnata a una segnalazione aiuta a determinare la gravità del problema e la velocità con cui va gestito. Attualmente, operatori formati leggono ogni segnalazione e assegnano manualmente un’etichetta. Questo lavoro è lento, complesso e può essere incoerente, soprattutto con l’aumentare del numero di segnalazioni.

Insegnare a un computer a leggere le segnalazioni di difetto

I ricercatori hanno voluto costruire un sistema di intelligenza artificiale che potesse supportare questi operatori piuttosto che sostituirli. Hanno raccolto 13.830 segnalazioni di difetti ricevute tra il 2010 e il 2021, riguardanti medicinali, vaccini, integratori e cosmetici. Un team di farmacisti esperti ha esaminato e etichettato con cura ogni segnalazione utilizzando 21 delle categorie di difetto più comuni, che insieme coprivano più del 99% dei casi. Il team ha quindi impiegato un popolare modello di linguaggio chiamato BERT, progettato per comprendere il significato delle parole nel contesto, come nucleo del sistema. Affinando BERT su questa raccolta etichettata, hanno creato uno strumento — chiamato MedDefects‑BERT — in grado di leggere il titolo e la descrizione di una segnalazione e prevedere la categoria di difetto più probabile.

Quanto bene funziona il sistema

Quando testato su segnalazioni che non aveva visto prima, MedDefects‑BERT ha corrisposto alla scelta principale degli esperti l’86% delle volte. Se al sistema veniva permesso di suggerire le tre categorie più probabili, la categoria corretta era inclusa nel 96% dei casi. Questo è importante perché un operatore reale può semplicemente esaminare una breve lista di suggerimenti anziché partire da zero. Il sistema funzionava meglio per le categorie con più esempi di addestramento, tipico del machine learning. Anche così, consentire fino a tre etichette suggerite ha portato le prestazioni sopra il 70% per ogni categoria, incluse quelle più rare. I punteggi di confidenza del modello — numeri tra 0 e 1 che indicano quanto è sicuro — erano fortemente correlati alla frequenza con cui aveva ragione. Impostando una soglia di confidenza, il team ha dimostrato di poter aumentare l’accuratezza a circa il 91% sulle previsioni “certe” segnalando nel contempo una frazione modesta di casi come “incerti” per una revisione umana più approfondita.

Guardare all’interno delle decisioni del modello

Gli autori hanno affrontato anche una preoccupazione chiave relativa all’IA in settori a rischio per la sicurezza: la trasparenza. Hanno utilizzato strumenti di visualizzazione per mostrare che le segnalazioni appartenenti allo stesso tipo di difetto si raggruppano nella “mappa” interna del modello dei significati dei documenti, mentre le segnalazioni classificate in modo errato si trovano ai margini tra i raggruppamenti. A livello delle singole parole, hanno applicato un metodo chiamato SHAP per evidenziare quali termini in una segnalazione spingevano il modello verso una data categoria. Per esempio, parole relative a funghi o muffe influenzavano fortemente le previsioni di contaminazione microbica, mentre termini come “sedimento” o “precipitazione” sostenevano una categoria collegata a depositi nei prodotti. Queste spiegazioni forniscono agli operatori un modo rapido per vedere perché il modello ha fatto un suggerimento e per valutare se ha senso nel contesto.

Rendere il sistema più intelligente ed efficiente

Per migliorare ulteriormente le prestazioni senza aggiungere costi computazionali pesanti, il team ha utilizzato una tecnica nota come deep prompt tuning. Invece di modificare tutte le impostazioni interne del modello, hanno aggiunto piccoli “prefissi” addestrabili a ogni livello che indirizzano delicatamente il modello verso questo compito specifico. Combinare il fine‑tuning tradizionale con questi prompt ha aumentato l’accuratezza del sistema in più della metà delle categorie di difetto e ha migliorato la sua capacità di rilevare correttamente i casi nel complesso. Test su segnalazioni più recenti del 2022 hanno mostrato che l’accuratezza del sistema si è mantenuta nel tempo, suggerendo che la sua comprensione delle segnalazioni di difetto non è rapidamente diventata obsoleta.

Cosa significa per i pazienti e le autorità regolatorie

Lo studio mostra che un modello di linguaggio ben progettato può aiutare in modo significativo le autorità a setacciare grandi volumi di segnalazioni di difetti di prodotti sanitari, standardizzare la categorizzazione dei casi e mettere in evidenza più rapidamente i problemi ad alto rischio. Poiché il sistema spiega anche quali parole e passaggi hanno guidato i suoi suggerimenti, gli esperti umani restano pienamente responsabili delle decisioni finali. Con ulteriori perfezionamenti — come la gestione di più tipi di difetto in una sola segnalazione e l’espansione a categorie più rare — strumenti simili potrebbero rafforzare la sorveglianza della qualità dei medicinali a livello globale, ridurre i ritardi nei richiami di prodotti pericolosi e, in ultima analisi, offrire una migliore protezione per i pazienti.

Citazione: 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

Parole chiave: safety dei farmaci, qualità dei medicinali, deep learning, sorveglianza regolatoria, elaborazione del linguaggio naturale