En kNN-baserad maskininlärningsmetod för att automatisera orsakssambandsbedömning av skadliga händelser

Varför detta är viktigt för personer som tar läkemedel

När ett nytt läkemedel når marknaden har dess berättelse bara börjat. Miljontals människor kommer att använda det i verkligheten, och några kommer att drabbas av hälsoproblem som kanske inte orsakats av läkemedlet. Att klargöra vilka reaktioner som verkligen är läkemedelsrelaterade är avgörande för patientsäkerheten, men i dag är det arbetet långsamt, komplext och till stor del manuellt. Denna studie undersöker hur en enkel men kraftfull form av artificiell intelligens kan hjälpa experter att granska dessa säkerhetsrapporter snabbare och mer konsekvent, utan att ersätta det mänskliga omdömet som i slutändan skyddar patienterna.

Hur säkerhetshistorier blir data

Läkemedelsföretag och tillsynsmyndigheter förlitar sig på individuella säkerhetsrapporter, som är strukturerade sammanfattningar av verkliga personers erfarenheter av läkemedel. Varje rapport kan innehålla vad som gick fel (till exempel huvudvärk eller leverproblem), hur allvarligt det var, vilka andra läkemedel och sjukdomar som fanns, och vad den ursprungliga granskaren ansåg om kopplingen till läkemedlet. För över 800 000 sådana rapporter för sex marknadsförda läkemedel hade företagets medicinska granskare redan avgjort om varje oönskad händelse var relaterad till läkemedlet, inte relaterad eller om det var omöjligt att bedöma på grund av saknade eller motstridiga uppgifter. Forskarna använde detta rika historiska material som träningsdata för en datormodell som skulle lära sig att efterlikna dessa mänskliga beslut i nya fall.

Lära en dator att hitta liknande fall

I stället för att bygga ett svartlådesystem valde teamet en särskilt transparent metod som kallas ”närmsta grannar”. Idén är intuitiv: om två fall ser mycket lika ut delar de troligen samma slutsats om huruvida läkemedlet orsakade problemet. För att fånga likheten representerade forskarna varje oönskad händelse som en sju-delad profil, inklusive den medicinska termen för händelsen, vad som hände när läkemedlet avbröts och återinsattes, om problemet förväntades för det läkemedlet, rapportörens åsikt, andra läkemedel som togs, medicinsk bakgrund och hur allvarlig händelsen var. De mätte sedan hur nära två fall var i detta sju-dimensionella rum och gav större vikt åt faktorer som är viktigast för orsakssamband, såsom den exakta händelsen och vad som hände vid behandlingsändring.

Från närhet till ett trevägsbeslut

När en ny rapport kommer in söker modellen i det historiska materialet för att hitta de tio mest liknande fallen. Den kontrollerar sedan hur dessa grannar hade klassificerats och låter dem ”rösta” bland tre breda utfall: sannolikt relaterat till läkemedlet, inte relaterat eller osannolikt, och icke bedömbart. Denna trevägsindelning balanserar klinisk nyans mot tillförlitlig prestanda. Testad på mer än 250 000 tidigare otestade händelser matchade modellen nära de mänskliga granskarna för de händelser som bedömdes som relaterade och för dem som bedömdes som icke bedömbara, med låga felfrekvenser och starka mått som kombinerar noggrannhet och täckning. Den hade svårare för den mindre gruppen tydligt icke relaterade händelser, vilket speglar den utmaning som maskininlärningssystem möter när en typ av exempel är relativt sällsynt.

Minska dimman av ”kan inte avgöras”

Ett praktiskt problem i verkligt säkerhetsarbete är att etiketten ”icke bedömbart” kan bli ett samlingsbegrepp när informationen är tunn eller tvetydig, vilket gör det svårare att se verkliga säkerhetsmönster. Forskarna lade till ett justeringsverktyg som gör modellen mer försiktig med att tilldela denna etikett. I stället för att välja ”icke bedömbart” när den vinner med enkel majoritet bland liknande fall kräver modellen nu en högre andel grannar som stöder det valet. Genom att höja denna tröskel kunde teamet kraftigt minska hur ofta modellen angav ett fall som icke bedömbart och förbättra prestandan för de andra två kategorierna, på bekostnad av något ökad oenighet för de svårast att bedöma fallen. En webbaserad instrumentpanel låter medicinska granskare justera denna tröskel per produkt, omedelbart se hur utfallsbalansen skiftar och fokusera sin uppmärksamhet på fall där modellen och människorna är oeniga.

Vad detta betyder för framtidens läkemedelssäkerhet

För ett urval av nyliga fall som mänskliga granskare hade märkts som icke bedömbara identifierade systemet hundratals där dess slutsats skilde sig. När seniora granskare omprövade dessa höll de med modellen mer än två tredjedelar av gångerna, vilket visar att sådana verktyg kan flagga förbisedda mönster och stödja kvalitetsgranskning snarare än att ersätta experter. Arbetet visar att en tydlig, likhetsbaserad metod kan föra in artificiell intelligens i läkemedelssäkerhet på ett sätt som är förklarbart, justerbart och förenligt med medicinsk praxis. När mer data samlas och textberättelser läggs till med moderna språkteknologier kan system som detta bidra till att nya risker upptäcks tidigare, samtidigt som klinikerna behåller det avgörande ansvaret för slutliga bedömningar.

Citering: Ren, J., Carroll, H., McCarthy, K. et al. A kNN based machine learning approach to automating causality assessment of adverse events. Sci Rep 16, 9140 (2026). https://doi.org/10.1038/s41598-026-40267-2

Nyckelord: farmakovigilans, oönskade läkemedelshändelser, orsaksbedömning, maskininlärning, k närmaste grannar