Övervakning av biverkningar och läkemedelsrelaterade problem, inom farmakovigilans, bygger traditionellt på antingen manuellt arbete eller strukturerad data, framför allt spontanrapporter om misstänkta biverkningar. Dessa rapporter är centrala för övervakningen av läkemedelssäkerhet, men de utgör samtidigt endast en begränsad del av den information som skulle kunna ge bättre kunskap om läkemedelsproblem.  I klinisk vardag, i avvikelsesystem och i patientgenererat material finns stora mängder ostrukturerad text som innehåller värdefull kunskap om biverkningar, felanvändning, läkemedelshanteringsfel och andra läkemedelsrelaterade risker – kunskap som i dag till stor del är svår att tillgängliggöra och analysera systematiskt.

Denna presentation tar sin utgångspunkt i hur artificiell intelligens (AI), och i synnerhet moderna språkmodeller (Large Language Models, LLMs), kan användas för att identifiera och analysera läkemedelsrelaterade problem i ostrukturerad text. AI-baserade metoder har stor potential att komplettera befintliga farmakovigilanssystem eller manuellt patientsäkerhetsarbete, men har också betydande utmaningar för att bli tillförlitliga.

I presentationen ges först en översikt av aktuellt forskningsläge inom området, med fokus på användning av Natural language processing (NLP) och LLMs. Därefter presenteras exempel från pågående egen forskning. Ett projekt handlar om att identifiera biverkningar och läkemedelsrelaterade problem i journalernas fritext med hjälp av olika AI-baserade metoder, där vi utvecklar och systematiskt utvärderar flera angreppssätt och modeller baserade LLMs.

Ett annat projekt fokuserar på att samla in och analysera avvikelserapporter, anmälningar och patientärenden från olika källor som rör läkemedel. Genom en kombination av manuella analyser och AI-baserade metoder undersöker vi vilka typer av läkemedelsrelaterade problem som identifieras i dessa material. Ett första studie fokuserar på patienter med dosdispenserade läkemedel i vårdens övergångar, där brister i informationsöverföring och ansvarsfördelning kan få allvarliga konsekvenser för patienterna.

Avslutningsvis diskuteras hur strukturerad och ostrukturerad data kan kombineras för att skapa en mer heltäckande bild av läkemedelssäkerhet, och hur denna kunskap på sikt kan användas för förbättrad övervakning, lärande system och kliniskt beslutstöd. Presentationen syftar till att bidra med både forskningsmässiga insikter och praktiska perspektiv på AI:s roll i framtidens farmakovigilans.