Prevedere gli eventi avversi da farmaci (ADE) in ambito ambulatoriale è fondamentale per migliorare la sicurezza dei farmaci, identificare i pazienti ad alto rischio e ridurre i costi sanitari. Mentre i metodi tradizionali faticano a gestire la complessità dei dati sanitari, i modelli di apprendimento automatico (ML) offrono migliori capacità predittive; tuttavia, la loro efficacia nella previsione degli ADE rimane incerta.
Questa revisione sistematica ha valutato gli algoritmi di apprendimento automatico (ML) utilizzati a tale scopo, analizzando studi incentrati sull’assistenza ambulatoriale o che utilizzavano fonti di dati su larga scala (ad esempio, cartelle cliniche elettroniche, dati amministrativi e sistemi di segnalazione spontanea) che rappresentano principalmente il continuum dell’assistenza ambulatoriale. Abbiamo effettuato una ricerca sistematica su MEDLINE ed Embase fino a dicembre 2024 per identificare studi che sviluppavano o validavano modelli di apprendimento automatico per la previsione degli eventi avversi da farmaci (ADE).
Le caratteristiche degli studi, i metodi di apprendimento automatico (ML), i tipi di eventi avversi correlati al modello (ADE), le prestazioni del modello e il rischio di bias sono stati valutati utilizzando lo strumento PROBAST. Dei 59 studi inclusi, comprendenti 191 implementazioni di ML, la regressione logistica, la foresta casuale e XGBoost sono emersi come gli algoritmi più comunemente utilizzati.
La maggior parte degli studi (67,8%) ha riportato l’area sotto la curva (AUC), con l’85% che ha dimostrato prestazioni da moderate ad elevate (AUC > 0,70) per la validazione interna. Tuttavia, solo il 33,9% degli studi ha affrontato lo squilibrio di classe e appena il 18,6% ha condotto una validazione esterna, sollevando dubbi sul rigore metodologico, in particolare nella gestione dei dati mancanti e nelle procedure di validazione.
I nostri risultati indicano che i modelli di apprendimento automatico (ML), in particolare i metodi ensemble, si dimostrano promettenti nella previsione degli eventi avversi da farmaci (ADE), sebbene le difficoltà legate allo squilibrio delle classi e alla limitata validazione esterna ne ostacolino attualmente l’applicabilità clinica.
La ricerca futura dovrebbe concentrarsi sull’adozione di metodologie più rigorose e sullo sviluppo di framework specializzati per la previsione degli ADE basata sull’apprendimento automatico, che si fondino sulle consolidate pratiche di farmacovigilanza per garantire che i modelli siano accurati, generalizzabili e perfettamente integrati nei flussi di lavoro clinici per un monitoraggio continuo e una migliore sicurezza dei farmaci.
Parole chiave: eventi avversi da farmaci; apprendimento automatico; ambulatoriale; farmacovigilanza; modellazione predittiva; revisione sistematica.
Dichiarazione di conflitto di interessi: Gli autori dichiarano di non avere conflitti di interessi.
Br J Clin Pharmacol. 2026 Feb;92(2):422-444. doi: 10.1002/bcp.70377. Machine learning methods for predicting adverse drug events: A systematic review. N Chalabianloo, F Ahmadi, M Ali Omrani , S S Abdullah et Al.
La revisione sistematica completa in lingua inglese
https://bpspubs.onlinelibrary.wiley.com/doi/full/10.1002/bcp.70377
L’abstract in lingua inglese
