Machine learning methods for predicting adverse drug events: A systematic review
Notice bibliographique
Résumé
Predicting adverse drug events (ADEs) in outpatient settings is crucial for improving medication safety, identifying high-risk patients and reducing health-care costs. While traditional methods struggle with the complexity of health-care data, machine learning (ML) models offer improved prediction capabilities; however, their effectiveness in ADE prediction remains unclear. This systematic review evaluated ML algorithms used for this purpose, analysing studies that focussed on outpatient care or utilized large-scale data sources (e.g. electronic health records, administrative claims and spontaneous reporting systems) that primarily represent the outpatient continuum. We systematically searched MEDLINE and Embase up to December 2024 to identify studies developing or validating ML models for ADE prediction. Study characteristics, ML methods, ADE types, model performance and risk of bias were assessed using the PROBAST tool. From 59 included studies comprising 191 ML implementations, Logistic regression, Random forest and XGBoost emerged as the most commonly used algorithms. The majority of studies (67.8%) reported area under the curve (AUC), with 85% demonstrating moderate to high performance (AUC > 0.70) for internal validation. However, only 33.9% of studies addressed class imbalance, and merely 18.6% conducted external validation, raising concerns about methodological rigour, particularly in missing data handling and validation procedures. Our findings indicate that ML models, especially ensemble methods, show promise in predicting ADEs, although challenges with class imbalance and limited external validation currently hinder their clinical applicability. Future research should focus on adopting more rigorous methodologies and developing specialized frameworks for ML-based ADE prediction that build upon established pharmacovigilance practices to ensure models are accurate, generalizable, and seamlessly integrated into clinical workflows for ongoing monitoring and improved medication safety.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,010 | 0,048 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,010 |
| Bibliométrie | 0,011 | 0,008 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».