药物检测中的自动化:3利用机器分析工具的使用情况进行不良事件检测

,

药物警戒和药物安全软件市场在Covid-19危机中,体验巨大的增长。2020年,全球市场估计14300万美元,预计到2027年的成长至201.8百万美元。传统上,许多制药公司在将机器分析技术纳入药物警戒工作流程方面一直比较保守,主要是出于合规性方面的考虑。然而,随着数据量和来源数量呈指数级增长,许多公司已经开始测试并将机器分析工具集成到他们的药物警戒工作流程中。

药物文化工作流程涉及许多不同的数据来源,包括患者案例,医疗报告,科学文学,甚至社交媒体。随着药物检修团队最擅长的,监测,识别和分析所有这些来源的不良事件的过程可能是非常手动密集的。应用机器分析工具的工作流程和过程,以增强药物文化工作流程可能取决于数据源非常不同。 

在科学文献中自动化不良事件检测:

如今,许多公司都在利用机器分析工具,通过科学文献自动化识别不良事件的过程。与其他数据源相比,文本分析工具更容易使用和解释科学文献,特别是XML格式的科学文献。对于许多公司来说,这是将其部分药物警戒工作流程自动化的起点。葛兰素史克(GlaxoSmithKline K.K., GSK)是制药行业的领军企业,一直因其成功而备受赞誉利用SciBite的语义平台来提高他们的药物警戒能力。通过利用SciBite的白蚁表达式(TExpress)模块后,GSK日本公司能够自动搜索暗示不良事件的短语。这一自动化工作流程的结果是文本的超快速处理和不良事件的准确识别。

自动化患者病例中的不良事件检测:

除了涉及药剂检测的不同数据来源,加工病例可以是最昂贵的和资源密集。辉瑞和三家其他供应商旨在创建试点以测试自动化患者案例处理的可行性。飞行员测试了三种机器分析工具并通过提取和评估患者病例中的特定实体来衡量其准确性。试点的结果为利用机器分析工具处理患者病例建立了一个可行和有效的用例。这三种工具都成功地准确识别和评估了患者病例中的不良事件。  

在社交媒体中自动检测不良事件:

作为药物警戒计划的一部分,社交媒体是另一个需要监测的潜在数据来源。质量和足够的周转时间在这个场景中是特别关注的,因为数据生成的方式是非标准的。的一项研究安慰2018年研究了利用机器学习模型识别社交媒体帖子中的不良事件的好处。的该研究的结果显示了83%的准确性,以巨大的效率识别社交媒体的不良事件。对于上下文,这项任务为机器学习模型花了48小时,虽然它将被人类专家估计为44,000小时。 

上面详细介绍的用例为自动化药物警戒工作流程提供了实用和可扩展的解决方案。在整个行业中,利用机器分析工具变得越来越流行。不管数据源是什么,机器分析工具已经证明了它们在降低成本和提高药物警戒团队周转时间方面的有效性。这些改进不仅对公司有利,对患者也有利。事后看来,这才是最重要的因素。

有兴趣学习更多吗?查看:

你知道吗?在CCC,我们开发了集成的解决方案,使授权、访问、语义丰富和索引全文 XML文章变得简单,这些文章来自各种各样的 科学出版商。万博体育待处理了解更多关于RightFind XML for Mining的信息这里

加勒特Dintaman

作者:加勒特Dintaman

Garrett Dintaman是CCC的副产品经理和RightFind XML for Mining的产品负责人。他专注于与文本和数据挖掘、数据处理管道和分析相关的客户需求和用例。在他的空闲时间,加勒特喜欢看大学篮球和花时间在自然。

不要错过一个帖子

通过电子邮件订阅

有关此博客相关的查询,请发送电子邮件万博充值存款问题万博充值存款问题blog@copyright.com.或者加入社交媒体上的对话@copyrightclear