NLP et extraction d'entités pour détecter automatiquement les signaux de pharmacovigilance dans les verbatims patients.
Les équipes de pharmacovigilance reçoivent chaque mois des milliers de signalements issus de centres d'appels, de forums patients, de réseaux sociaux et de courriers libres. Une grande partie de ces textes contient des effets indésirables non codés formellement, noyés dans un langage familier, des fautes et des abréviations médicales informelles.
Le projet démarre par un audit du volume et de la diversité des textes à traiter, avec les experts pharmacovigilance pour définir les catégories d'effets indésirables prioritaires. Un corpus annoté est construit conjointement avec les médecins validateurs, condition indispensable pour entraîner un modèle fiable.
Un modèle de reconnaissance d'entités nommées médicales, basé sur un BERT biomédical fine-tuné (type CamemBERT-bio ou BioBERT francophone), extrait les mentions de symptômes, de médicaments et de relations causales. Un module de normalisation relie ensuite ces mentions aux codes MedDRA standard pour permettre l'agrégation statistique des signaux.
Un système de scoring de criticité, combinant règles métier et classification supervisée, priorise les cas à examiner en urgence par les pharmacologues. Une boucle de validation humaine alimente en continu le réentraînement du modèle.
Si 15 % des effets indésirables significatifs échappent aujourd'hui à la détection manuelle faute de temps de lecture, l'automatisation pourrait réduire ce taux de moitié et raccourcir le délai de remontée des signaux critiques. Le gain principal serait la réduction du risque réglementaire et sanitaire, davantage que la productivité pure des équipes.
Non. Il sert uniquement à prioriser et accélérer la détection des signaux. La validation et la déclaration restent sous la responsabilité exclusive des pharmacologues qualifiés, conformément aux obligations réglementaires.
Un réentraînement périodique est prévu avec les nouveaux cas validés par les experts. Un suivi de la dérive du modèle sur des échantillons de contrôle permet de déclencher ce réentraînement dès que la performance se dégrade.
Ce type de système relève probablement d'un usage à risque élevé au sens de l'AI Act, car lié à la santé. Une documentation complète de traçabilité et de supervision humaine est donc intégrée dès la conception.
Nous le cadrons, le construisons et le mettons en production. Ou nous formons vos équipes à le faire.
Nous utilisons des cookies de mesure d'audience et de suivi publicitaire pour comprendre la fréquentation du site et l'efficacité de nos annonces. Rien n'est déposé sans votre accord. En savoir plus