Las reacciones adversas a medicamentos (RAM) son de gran importancia en el sistema de salud, tanto dentro como fuera del hospital. Estos eventos a menudo no se identifican y sistemáticamente no se notifican. Hay un amplio margen de mejora en la forma en que se predicen y detectan estos eventos.

Los algoritmos y herramientas basados en inteligencia artificial (IA), es decir, aplicaciones informáticas que pueden realizar tareas que normalmente requieren inteligencia humana, tienen el potencial de informar la toma de decisiones clínicas en tiempo real para reducir la frecuencia, la duración y la gravedad de las RAM.

Por ejemplo, la IA podría proporcionar predicciones oportunas y precisas sobre qué pacientes probablemente tendrán RAM antes de que se receten los medicamentos. La identificación de pacientes en riesgo podría permitir la intervención para prevenir las RAM. A su vez, la IA también podría identificar nuevos tipos de RAM.

Una revisión publicada en la revista Lancet Digit Health, tuvo como objetivo identificar casos en los que la IA podría reducir la frecuencia de RAM. Se incluyeron 78 artículos. Los estudios fueron heterogéneos y aplicaron varias técnicas de IA que cubrían una amplia gama de medicamentos y RAM.

Se identificaron varios casos en los que la IA podría contribuir a reducir la frecuencia y las consecuencias de las RAM, a través de la predicción para prevenirlas y la detección temprana para mitigar los efectos.

  • En cuanto a la predicción, la mayoría de los estudios desarrollaron algoritmos predictivos y aplicaron una amplia gama de enfoques de IA, y se centraron en medicamentos específicos o clases de RAM. Los métodos basados en árboles funcionaron bien en todos los casos de predicción. Uno de los desafíos pendientes es cómo identificar y seleccionar las variables genéticas más relevantes para la predicción de RAM. Los enfoques de aprendizaje automático mostraron un progreso prometedor para abordar este problema, pero aún se encuentran en las primeras etapas de desarrollo.
  • Respecto a la detección temprana, varios enfoques diferentes de IA que utilizan datos (en su mayoría estructurados, algunos no estructurados) de historia clínica electrónica y datos de dispensación de farmacias mostraron éxito en la identificación de RAM y errores de prescripción.

Los hallazgos muestran que aprovechar la IA para reducir la frecuencia de las RAM es un área de estudio emergente, y se requiere más trabajo para garantizar que las herramientas precisas, equitativas y significativas estén disponibles en el punto de atención para informar la toma de decisiones clínicas. Es fundamental que los algoritmos de alto rendimiento se evalúen sistemática y exhaustivamente en ensayos prospectivos en entornos clínicos para mostrar el impacto en el mundo real y generar la evidencia necesaria para una implementación transparente, segura y efectiva. Esta investigación requiere una estrecha colaboración entre médicos e informáticos para que el proceso de evaluación sea eficiente y exitoso. Por último, la información genética constituye una fuente de datos clave que tiene el potencial de mejorar sustancialmente el rendimiento de los algoritmos de IA.

Referencia del estudio:
Syrowatka A, Song W, Amato MG, Foer D, Edrees H, Co Z, Kuznetsova M, Dulgarian S, Seger DL, Simona A, Bain PA, Purcell Jackson G, Rhee K, Bates DW. Key use cases for artificial intelligence to reduce the frequency of adverse drug events: a scoping review. Lancet Digit Health. 2022 Feb;4(2):e137-e148. doi: 10.1016/S2589-7500(21)00229-6. Epub 2021 Nov 23. PMID: 34836823.