Недавний систематический обзор и многоуровневый метаанализ (PMID: 42807426) оценил эффективность, которую дает машинное обучение для прогнозирования нежелательных лекарственных реакций (НР) на основе клинически валидированных данных (FAERS, SIDER и др.).
Авторы проанализировали 11 исследований, прошедших оценку риска систематической ошибки (PROBAST), и количественно синтезировали 30 моделей. Объединенный показатель AUC составил 0,841, что указывает на умеренную дискриминационную способность, однако с экстремально высокой гетерогенностью (I² > 90%).
Ключевые выводы для отрасли:
• Отсутствие превосходства сложных алгоритмов: В корректных многоуровневых моделях, учитывающих зависимость данных внутри исследований, нейронные сети статистически не превосходили традиционные методы, такие как логистическая регрессия или случайный лес.
• Проблема артефактов: Кажущееся преимущество моделей с использованием признаков белковых мишеней оказалось обусловленным доминированием одного исследования и исчезло при чувствительном анализе.
• Необходимость стандартизации: Для реального клинического и регуляторного внедрения требуются унифицированные бенчмарки, гармонизированные таксономии исходов и обязательная внешняя валидация.
• Отсутствие превосходства сложных алгоритмов: В корректных многоуровневых моделях, учитывающих зависимость данных внутри исследований, нейронные сети статистически не превосходили традиционные методы, такие как логистическая регрессия или случайный лес.
• Проблема артефактов: Кажущееся преимущество моделей с использованием признаков белковых мишеней оказалось обусловленным доминированием одного исследования и исчезло при чувствительном анализе.
• Необходимость стандартизации: Для реального клинического и регуляторного внедрения требуются унифицированные бенчмарки, гармонизированные таксономии исходов и обязательная внешняя валидация.
Для специалистов по фармаконадзору это исследование подчёркивает: внедрение алгоритмов должно сопровождаться строгой валидацией и пониманием того, что «чёрный ящик» не заменяет экспертную оценку причинно-следственной связи и клинического контекста.
Источник: Cappello G, Oster C, Schmidt T, Grieger J, Jekel L, Kizina K, Ahmadipour Y, Rauschenbach L, Dammann P, Sure U, Keyvani K, Junker A, Lazaridis L, Stuschke M, Pöttgen C, Scheffler B, Kleinschnitz C, Kebir S. Machine learning models for adverse drug reaction prediction. A systematic review and three-level multilevel meta-analysis. Front Pharmacol. 2026 Sep 14;17:1906920. doi: 10.3389/fphar.2026.1906920. PMID: 42807426; PMCID: PMC13617071.