Classificação de notificações de defeitos em produtos de saúde por aprendizado profundo

Por que detectar medicamentos defeituosos mais rapidamente é importante

A maioria de nós presume que os medicamentos e produtos de saúde que usamos são seguros e fabricados segundo padrões de qualidade rígidos. Ainda assim, ao redor do mundo centenas de produtos farmacêuticos são recolhidos todo ano por contaminação, ingredientes incorretos ou rótulos enganosos. Cada produto defeituoso representa uma ameaça potencial aos pacientes. As autoridades regulatórias precisam ler e interpretar rapidamente milhares de relatórios de defeitos para decidir quais exigem ação urgente. Este artigo descreve como foi construído um sistema de aprendizado profundo para ajudar as autoridades de saúde a classificar esses relatórios mais rápido e de forma mais consistente, para que possam concentrar atenção nos problemas com maior risco à saúde pública.

Como os problemas de produto são reportados hoje

Quando um possível defeito é encontrado em um medicamento ou outro produto de saúde, um relatório escrito curto é enviado aos reguladores. Esses relatórios podem descrever muitos problemas: fragmentos de vidro em um frasco, ingrediente errado em um comprimido, embalagem que vaza ou rótulos que possam levar a erros de dosagem. Em Singapura, a Health Sciences Authority usa um dicionário médico padronizado, adaptado às necessidades locais, para agrupar cada relatório em uma das várias categorias específicas, como contaminação por microrganismos ou publicidade que infringe as regras. A categoria atribuída a um relatório ajuda a determinar quão sério é o problema e com que rapidez deve ser tratado. Atualmente, agentes treinados leem cada relatório e atribuem um rótulo manualmente. Esse trabalho é lento, complexo e pode ser inconsistente, especialmente à medida que o número de relatórios cresce.

Ensinando um computador a ler relatórios de defeitos

Os pesquisadores propuseram construir um sistema de inteligência artificial que pudesse apoiar esses agentes em vez de substituí‑los. Eles reuniram 13.830 relatórios de defeitos recebidos entre 2010 e 2021, cobrindo medicamentos, vacinas, suplementos e cosméticos. Uma equipe de farmacêuticos experientes revisou e rotulou cuidadosamente cada relatório usando 21 das categorias de defeito mais comuns, que juntas cobriam mais de 99% dos casos. A equipe então usou um modelo de linguagem popular chamado BERT, projetado para entender o significado das palavras no contexto, como o núcleo do sistema. Ao ajustar (fine‑tune) o BERT nessa coleção rotulada, criaram uma ferramenta — chamada MedDefects‑BERT — capaz de ler o título e a descrição de um relatório e predizer a categoria de defeito mais provável.

Quão bem o sistema funciona

Quando testado em relatórios que não havia visto antes, o MedDefects‑BERT coincidiu com a primeira escolha dos especialistas 86% das vezes. Se o sistema pudesse sugerir suas três categorias mais prováveis, ele incluía a correta 96% das vezes. Isso é importante porque um agente real pode simplesmente revisar uma curta lista de sugestões em vez de começar do zero. O sistema teve desempenho melhor para categorias com mais exemplos de treinamento, o que é típico em aprendizado de máquina. Mesmo assim, permitir até três rótulos sugeridos elevou o desempenho acima de 70% para todas as categorias, incluindo as mais raras. As pontuações de confiança do modelo — números entre 0 e 1 que indicam o quanto ele está seguro — estavam fortemente associadas à frequência com que estava certo. Ao estabelecer um limite de confiança, a equipe mostrou que podia elevar a precisão para cerca de 91% nas previsões “certas” enquanto sinalizava uma fração moderada de casos como “incertos” para revisão humana mais cuidadosa.

Analisando as decisões do modelo

Os autores também enfrentaram uma preocupação chave com IA em áreas críticas para a segurança: transparência. Usaram ferramentas de visualização para mostrar que relatórios pertencentes ao mesmo tipo de defeito se agrupam no “mapa” interno do modelo sobre os significados dos documentos, enquanto relatórios mal classificados ficam nas bordas entre agrupamentos. No nível das palavras individuais, aplicaram um método chamado SHAP para destacar quais termos em um relatório empurraram o modelo em direção a uma determinada categoria. Por exemplo, palavras relacionadas a fungos ou mofo influenciaram fortemente previsões de contaminação microbiana, enquanto termos como “sedimento” ou “precipitação” sustentaram uma categoria ligada a depósitos em produtos. Essas explicações dão aos agentes uma forma rápida de ver por que o modelo fez uma sugestão e julgar se ela faz sentido no contexto.

Tornando o sistema mais inteligente e eficiente

Para melhorar ainda mais o desempenho sem aumentar muito os custos computacionais, a equipe usou uma técnica conhecida como deep prompt tuning. Em vez de alterar todas as configurações internas do modelo, eles adicionaram pequenos “prefixos” treináveis a cada camada que orientam o modelo de forma suave para essa tarefa específica. Combinar o ajuste tradicional (fine‑tuning) com esses prompts aumentou a acurácia do sistema em mais da metade das categorias de defeito e melhorou sua capacidade de detectar casos corretamente no geral. Testes em relatórios mais recentes de 2022 mostraram que a acurácia do sistema se manteve ao longo do tempo, sugerindo que sua compreensão dos relatórios de defeitos não ficou rapidamente obsoleta.

O que isso significa para pacientes e reguladores

O estudo mostra que um modelo de linguagem bem projetado pode ajudar significativamente os reguladores a filtrar grandes volumes de relatórios de defeitos em produtos de saúde, padronizar como os casos são categorizados e destacar problemas de alto risco mais rapidamente. Como o sistema também explica quais palavras e trechos motivaram suas sugestões, especialistas humanos permanecem firmemente no controle das decisões finais. Com refinamentos adicionais — como lidar com múltiplos tipos de defeito em um único relatório e expandir para categorias mais raras — ferramentas semelhantes poderiam fortalecer a vigilância da qualidade de medicamentos em todo o mundo, reduzir atrasos na recolha de produtos perigosos e, em última instância, oferecer melhor proteção aos pacientes.

Citação: 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

Palavras-chave: segurança de medicamentos, qualidade de medicamentos, aprendizado profundo, vigilância regulatória, processamento de linguagem natural