葛兰素史克资助的一篇关于药物安全的论文指出，制药行业需要利用数据的特性来优化人工智能的使用，否则“我们将无法尽一切努力保障患者安全”。

根据葛兰素史克生物制品公司(GSK Biologicals)最近资助的一项审查，直觉上人工智能(AI) 和机器学习(ML)似乎非常适合执行药物安全(PV)任务，因为数据量大、不确定性高且数据学习的需要。

然而，该论文强调了这些技术给分析带来的挑战。

作者认为，从根本上来说，相关法律框架流程和治理问题阻碍了人工智能/机器学习在药物安全中的实施。Bate等人提出了问题，即如何利用这些技术来构建适合目标的未来。

然而，该论文提出了一个关于异质性的潜在问题：药物安全数据源自包括疫苗在内的多种药物，因此，描述了非常不同类型的药物不良反应（ADR）和疫苗的不良反应，这些不良反应可能表现不同，并且具有不同的、通常未知的机制，而且数据的获取和共享不完善。

然而，人工智能/机器学习有可能影响整个药物安全生命周期。该论文指出，人工智能/机器学习在数据摄取（案例摄取或处理）方面显示出了潜力，例如重复检测和异常识别作为质量保证的正交方法。

该论文描述了一篇综述，该综述将人工智能与传统药物安全方法在一系列主要涉及预测的应用中进行了比较。据报道，在一半的评估研究中，人工智能的表现优于传统方法。

机器学习的应用包括分析社交媒体帖子以获取安全见解、从电子健康记录(EHR)中的临床叙述中提取信息以及将数据源与多种分析方法集成以提供更丰富的见解。

该论文将机器学习在药物安全中的应用分为三个领域：数据摄取相关任务、信号检测活动以及其他应用。

然而，根据Bate等人的说法，更复杂的算法的整体性能特征并不明显优于更简单的信号检测方法，并且缺乏更大的透明度，因此缺乏更简单方法的可用性。

作者强调的研究表明，2000 年至 2021 年间发表的药物安全领域AI/ML研究中，只有约 10% 符合当前ML的最佳实践。因此，这表明机器学习在药物安全中的使用并未达到最佳。

作者提出，药物安全界需要一个输入和输出在不同数据系统之间无缝连接的系统。“这样的系统最终可以提供交互式持续学习解决方案，促进对药物和疫苗的利益-风险的理解，并允许处方者、患者和其他利益相关者获取信息并根据需要提出问题”。

Bate等人总结：“如果我们不利用数据的特性来最佳地利用人工智能，我们就将无法全力保障患者安全。”

(来源: EPR)