Progreso en la investigación de farmacovigilancia basada en inteligencia artificial y datos del mundo real: una revisión narrativa estructurada

Qué problema aborda

La farmacovigilancia tradicional se basa en sistemas de reporte espontáneo, que son propensos a la subnotificación y carecen de una comprensión profunda de los mecanismos. La incorporación de la inteligencia artificial y los datos del mundo real presenta oportunidades para mejorar la detección de señales, la predicción de riesgos y la evaluación de la seguridad en la práctica clínica.

Qué hicieron los autores

Los autores realizaron una revisión narrativa estructurada con un enfoque crítico, utilizando el método PRISMA-ScR. Se analizaron publicaciones en inglés sobre la aplicación de IA y aprendizaje automático en la farmacovigilancia clínica con datos del mundo real desde 2010 hasta 2026, abordando diversas fuentes de datos, métodos analíticos y desafíos de implementación.

Qué encontraron

Los ecosistemas de datos del mundo real, que incluyen registros de salud electrónicos, reclamaciones administrativas y datos multi-ómicos, se pueden integrar con técnicas de aprendizaje supervisado, procesamiento de lenguaje natural y redes neuronales gráficas. Se reportaron valores del área bajo la curva (AUROC) que superan 0.90 en validaciones internas, pero la evidencia de validación externa y la implementación prospectiva es inconsistente. Los modelos de datos comunes, como el modelo de datos común de la Asociación de Resultados Médicos Observacionales (OMOP), mejoran la interoperabilidad y la colaboración que preserva la privacidad. Además, se están desarrollando métodos de IA causal y explicativa, aunque requieren suposiciones explícitas y confirmación mecanística antes de hacer afirmaciones causales de calidad regulatoria.

Limitaciones

El texto disponible no detalla las limitaciones específicas del estudio, aunque menciona que la validación externa y la implementación prospectiva son áreas donde la evidencia es inconsistente.

Lectura final

La investigación sobre farmacovigilancia habilitada por IA está en una fase de transición que busca no solo detectar asociaciones, sino también predecir y entender los mecanismos detrás de los eventos adversos. Sin embargo, para lograr una adopción clínica y regulatoria generalizada, es crucial establecer marcos de gobernanza y validación rigurosos que aseguren la transparencia y la interpretación clínica de los resultados. Este avance podría transformar la manera en que se gestionan los riesgos en la medicina moderna, mejorando la seguridad del paciente.