Prediktion av antibiotikaassocierade kutana biverkningar med hjälp av elektroniska journalers grundmodeller

Varför förutsägelse av läkemedelsutslag är viktig

Den som fått utslag efter att ha tagit medicin vet hur skrämmande det kan vara. Oftast är dessa hudreaktioner lindriga och går över av sig själva. Men i sällsynta fall kan de utvecklas till livshotande tillstånd som skadar stora hudområden och kräver intensiva vårdinsatser. Antibiotika är bland de läkemedel som oftast förknippas med sådana reaktioner, ändå har läkare i dag ingen tillförlitlig metod för att på förhand avgöra vilka patienter som löper störst risk. Denna studie undersöker om mönster dolda i rutinmässiga sjukhusjournaler kan hjälpa till att förutsäga vem som sannolikt får en antibiotikaassocierad hudreaktion innan den uppträder.

Hudreaktioner orsakade av läkemedel

Hudproblem är den vanligaste synliga biverkningen av läkemedel. De varierar från kliande röda fläckar till farliga tillstånd som Stevens–Johnson syndrom och toxisk epidermal nekrolys, som kan vara dödliga. Antibiotika, särskilt vanliga typer som penicilliner och närbesläktade preparat, är frekventa utlösare. Även om dessa svåra reaktioner är sällsynta kan varje allvarlig läkemedelsreaktion förlänga vårdtider, öka kostnader och i värsta fall leda till dödsfall. Trots denna belastning finns inget standardiserat screeningsprov som sjukhus kan tillämpa på alla patienter för att förutsäga kutana biverkningar, särskilt sådana kopplade till antibiotika.

Att förvandla sjukhusjournaler till ledtrådar

Moderna sjukhus lagrar enorma mängder information i elektroniska journaler: diagnoser, blodprover, förskrivna läkemedel och ingrepp, ofta insamlade över många år. I denna studie behandlade forskarna dessa långa sekvenser av medicinska koder som text i ett dokument. De använde "grundmodeller" hämtade från språkteknologi—system som lär sig generella mönster från stora datamängder och sedan kan finjusteras för specifika uppgifter. Teamet analyserade journaler från mer än 800 000 vuxna inneliggande patienter vid tre stora koreanska sjukhus som vårdats minst tre dagar och fått antibiotika. För att säkert upptäcka hudreaktioner förlitade de sig inte enbart på diagnoskoder; de utvann också information ur omvårdnadsanteckningar och strukturerade omvårdnadsuttalanden som dokumenterade observationer som utslag eller nässelutslag.

Att bygga och testa prediktionsmodellen

Forskarna jämförde flera tillvägagångssätt, från klassiska maskininlärningsmetoder som random forests till djupa neurala nätverk och tre olika grundmodeller för journaldata. För varje patient fick modellerna avgöra, vid tidpunkten för den senaste antibiotikaförskrivningen, om en hudreaktion skulle inträffa inom en kort tidsperiod. Bland metoderna presterade en modell kallad CDM-BERT, särskilt anpassad till det gemensamma dataformat som användes av sjukhusen, bäst. Den särskilde framtida utslagsfall från icke-fall med mycket hög noggrannhet på det sjukhus där den tränats, och den behöll stark prestanda när den tillämpades utan vidare justering på de två andra sjukhusen vars data såg något annorlunda ut.

Vad modellen lärde sig om risk

För att kontrollera om modellen fokuserade på medicinskt meningsfull information snarare än slumpmässigt brus granskade teamet vilka delar av journalen som påverkade dess beslut mest. Högre vikt gavs till tillstånd som är kända för att vara kopplade till läkemedelsreaktioner—såsom cancer, kronisk njursjukdom och kronisk leversjukdom—och till vissa läkemedelskategorier, inklusive antibiotika och antiepileptika. Intressant nog, vid ett sjukhus där läkemedelskoderna inte matchade träningsstället, fungerade modellen fortfarande väl genom att i större utsträckning förlita sig på laboratorieresultat och sjukdomshistoria, vilket visar att den kan anpassa sig till olika dataomgivningar. Forskarna delade också in reaktionerna i "omedelbara" (som inträffar kort efter en dos) och "fördröjda" (som uppträder efter längre exponering). Modellen var mer säker och stabil när den förutsade fördröjda reaktioner, vilka i dag är svårast att förutse med traditionella tester.

Begränsningar, utmaningar och nästa steg

Även om modellens prestanda är lovande identifierar den ännu inte exakt vilken antibiotika som är boven, och den kan inte skilja mellan lindriga utslag och de sällsynta men förödande svåra hudreaktioner som kräver akut specialistsjukvård. Studien involverade dessutom sjukhus från ett enda land, och det fanns tekniska problem såsom skillnader i läkemedelskodningssystem och behovet av regelbaserade sökningar i fritextade omvårdnadsrapporter. Vidare är det fortfarande svårt att översätta modellens interna "attention"-mönster till enkla kliniska riktlinjer, och tillvägagångssättet fokuserade huvudsakligen på relativt lindriga hudproblem snarare än hela spektrat av svåra reaktioner.

Vad detta betyder för patienter och kliniker

Detta arbete visar att genom att noggrant kombinera rutindata från sjukhus med omvårdnadsobservationer kan avancerade datormodeller uppskatta en patients risk för att utveckla en antibiotikarelaterad hudreaktion, särskilt långsamt insjuknande reaktioner som saknar tillförlitliga laboratorietester. I praktiken kan ett sådant verktyg hjälpa läkare att flagga högre riskpatienter för noggrannare övervakning, alternativa läkemedelsval eller mer försiktig dosering, samtidigt som de flesta patienter kan få standardvård. Studien utgör ett steg mot att förvandla den "digitala spillningen" från vardaglig medicinsk praktik till ett säkerhetsnät som fångar allvarliga läkemedelsreaktioner tidigare och potentiellt förebygger skada innan den syns i huden.

Citering: Kim, J., Kim, K., Yun, JE. et al. Prediction of antibiotic-associated cutaneous adverse drug reactions using electronic health record foundation models. npj Digit. Med. 9, 311 (2026). https://doi.org/10.1038/s41746-026-02503-x

Nyckelord: antibiotikas biverkningar, läkemedelsinducerat hudutslag, elektroniska journaler, medicinsk AI-prediktion, negativa läkemedelsreaktioner