- Cet évènement est passé.
Soutenance de thèse Stella Dimitsaki
31 octobre @ 14:00 – 19:00
Title: Use of Artificial Intelligence for the Analysis of Potential Pharmacovigilance Signals upon Real-World data
Lieu: Limics, Campus des Cordeliers, salle de conférence
| Résumé : |
| 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. |
| Summary: |
| This thesis examines how artificial intelligence (AI), specifically causal machine learning (CML), can enhance pharmacovigilance by utilizing structured real-world data (RWD), including electronic health records. While traditional methods, which rely on spontaneous reporting of adverse drug reactions, are limited by underreporting and bias, RWD offers a more comprehensive view of the patient experience, but faces challenges related to data complexity and quality. An exploratory study revealed the main obstacles to current AI applications, including a lack of consistency in data preprocessing and a lack of explainability. To address this, our thesis work implemented a CML framework using the MIMIC-IV database to detect acute drug-induced kidney injury, demonstrating that CML can provide interpretable, personalized, and clinically relevant information. The results position causal AI as a promising avenue for improving the accuracy, transparency, and regulatory acceptance of pharmacovigilance systems. |