Utilisation de l'intelligence artificielle pour l'analyse des signaux potentiels de pharmacovigilance à partir de données de vie réelle structurées

Cette thèse explore comment l'intelligence artificielle (IA), en particulier l'apprentissage automatique causal (CML), peut améliorer la pharmacovigilance en exploitant des données structurées issues du monde réel (RWD), telles que les dossiers médicaux électroniques. Alors que les méthodes traditionnelles reposant sur la déclaration spontanée d'effets indésirables médicamenteux sont limitées par la sous-déclaration et les biais, les RWD offrent une vision plus complète de l'expérience des patients, mais se heurtent à des problèmes de complexité et de qualité des données. Une étude exploratoire a révélé les principaux obstacles aux applications actuelles de l'IA, notamment le manque de cohérence dans le prétraitement des données et le manque d'explicabilité. Pour y remédier, notre travail de thèse a mis en œuvre un cadre CML utilisant la base de données MIMIC-IV afin de détecter les lésions rénales aiguës d'origine médicamenteuse, démontrant ainsi que le CML peut fournir des informations interprétables, personnalisées et cliniquement pertinentes. Les résultats positionnent l'IA causale comme une voie prometteuse pour améliorer la précision, la transparence et l'acceptation réglementaire des systèmes de pharmacovigilance.