© unsplash/@freestocks

© unsplash/@freestocks
Gesundheitswesen & Pharma

Nachverfolgung und Aktualisierung von Nebenwirkungen

Hintergrund

Bei der medizinischen Zulassung werden von den Pharmaunternehmen Datenblätter mit der Bezeichnung "Summary of Product Characteristics" (SmPCs) erstellt, die ständig von der Europäischen Arzneimittelagentur (EMA) oder in Deutschland vom Bundesinstitut für Arzneimittel und Medizinprodukte (BfArM) überprüft werden.

Nach der Markteinführung des Arzneimittels müssen Nebenwirkungen und Beobachtungen während der Medikation kontinuierlich verfolgt und dokumentiert werden. Zu diesem Zweck beschäftigen Pharmakonzerne eine Compliance-Abteilung, die alle Meldungen über bei der Medikation beobachtete Nebenwirkungen sammelt, die ihnen von Ärzten aus Krankenhäusern oder Praxen zugesandt werden.

Herausforderungen

Pharmakonzerne müssen sicherstellen, dass sie einen zuverlässigen Prozess für den Umgang mit Meldungen von Nebenwirkungen haben. Diese Meldungen können jedoch in verschiedenen Formaten und über verschiedene Kanäle erfolgen. Beispielsweise kann eine Meldung direkt an die EMA oder das BfArM, an den Pharmakonzern oder in einem Social Media Posting veröffentlicht werden. Zusätzlich kann die Meldung per Telefon, E-Mail, Brief oder im Internet veröffentlicht werden.

Die Organisation, Priorisierung und Bewertung des Schweregrades dieser Meldungen ist daher ein kritischer Prozess in Pharmakonzernen, da er ihre Chancen erheblich erhöht, gemäß den Vorschriften der EMA zu handeln und die Öffentlichkeit rechtzeitig über mögliche Nebenwirkungen zu informieren. Nachdem die Meldungen strukturiert sind, können die Fachinformationsblätter automatisch aktualisiert werden.

Lösungsansatz

Die Lösung für das vollständig automatisierte Updaten umfasst mehrere Schritte. Einerseits müssen die Freitextinformationen in dem SmPC extrahiert werden, die den relevanten Kategorien des Pharmakonzerns entsprechen (z.B. Wirkstoff, Interaktionseffekte, etc.).

Die Identifikation des relevanten Textes kann mit Hilfe eines Natural Language Processing (NLP) Modells erfolgen. Häufig verwendete Techniken für Textklassifikationsaufgaben sind TF-IDF-Algorithmen, Naive Bayes Klassifikatoren, Word Embedding Verfahren und LSTM-Netzwerke. Auf der anderen Seite müssen auch die Informationen von Notifikationen extrahiert und kategorisiert werden.

Bei der Verwendung von Scraping, um Text von Websites oder Social Media-Posts zu erhalten, muss der gescrapte Text wahrscheinlich mit fortgeschritteneren Ansätzen verarbeitet werden. Hier könnten BERT- oder domänenspezifische Worteinbettungen (wie z.B. BioBERT für biomedizinische Sprache) oder überwachte Lernansätze auf der Basis von gelabelten Daten gewählt werden.

Nachdem schließlich die Informationen beider Eingaben, des SmPC und der Benachrichtigung, abgefragt und verarbeitet wurden, muss die eigentliche Aktualisierungsanfrage bewertet und hinsichtlich der Dringlichkeit priorisiert werden. Im Evaluationsschritt muss die verarbeitete Meldung mit der verarbeiteten Fachinformation verglichen werden, um redundante Informationen zu vermeiden.

Für den letzten Schritt, die Priorisierung, kann ein (verstärkter) Decision Tree verwendet werden, der auf dem historischen Datensatz früherer Aktualisierungen der Fachinformationen trainiert wurde.

Diese Webinare könnten Sie interessieren

Semantische Suche und Verstehen von natürlichem Text mit Neuronalen Netzen: BERT

In diesem Webinar erhalten Sie eine Einführung in die Anwendung von BERT für die semantische Suche anhand einer realen Fallstudie: Jedes Jahr interagieren Millionen von Bürgern mit Behörden und werden regelmäßig von der dort verwendeten Fachsprache überwältigt. Wir haben das BERT erfolgreich eingesetzt, um mit Hilfe von umgangssprachlichen Abfragen aus Regierungsdokumenten die richtige Antwort zu liefern - ohne dabei Fachbegriffe in den Abfragen verwenden zu müssen.

Konrad Schultka

Machine Learning Scientist

Jona Welsch

Machine Learning Scientist

Automatisierte Beantwortung von Fragen mit neuronalen Netzen: BERT

In diesem Webinar stellen wir eine auf dem BERT Modell basierende Methode zur automatisierten Beantwortung von Fragen vor.

Mattes Mollenhauer

Machine Learning Scientist

Rekurrente neuronale Netze: Wie Computer lesen lernen

Das Webinar gibt eine Einführung in die Funktionsweise von RNNs und veranschaulicht deren Einsatz an einem Beispielprojekt aus dem Bereich der Legal Tech

Fabian Gringel

Machine Learning Scientist