Os eventos adversos a medicamentos (EAM) representam um dos tipos mais prevalentes de danos relacionados aos cuidados de saúde, e há uma margem substancial para melhorias na maneira como são previstos e detectados atualmente. Realizamos uma revisão de escopo para identificar os principais casos de uso em que a inteligência artificial (IA) poderia ser aproveitada para reduzir a frequência de EAM. Concentramo-nos em técnicas modernas de aprendizado de máquina e processamento de linguagem natural. Setenta e oito artigos foram incluídos na revisão de escopo. Os estudos foram heterogêneos e aplicaram várias técnicas de IA abrangendo uma ampla gama de medicamentos e EAM. Identificamos vários casos-chave de uso em que a IA poderia contribuir para reduzir a frequência e as consequências dos EAMs, por meio de previsões para evitar EAMs e da detecção precoce para mitigar os efeitos. A maioria dos estudos (73 [94%] de 78) avaliou o desempenho do algoritmo técnico, e poucos estudos avaliaram o uso de IA em ambientes clínicos. A maioria dos artigos (58 [74%] de 78) foi publicada nos últimos 5 anos, destacando uma área de estudo emergente. A disponibilidade de novos tipos de dados, como informações genéticas, e o acesso a anotações clínicas não estruturadas podem fazer avançar ainda mais a área de estudo.
Adverse drug events (ADEs) represent one of the most prevalent types of health-care-related harm, and there is substantial room for improvement in the way that they are currently predicted and detected. We conducted a scoping review to identify key use cases in which artificial intelligence (AI) could be leveraged to reduce the frequency of ADEs. We focused on modern machine learning techniques and natural language processing. 78 articles were included in the scoping review. Studies were heterogeneous and applied various AI techniques covering a wide range of medications and ADEs. We identified several key use cases in which AI could contribute to reducing the frequency and consequences of ADEs, through prediction to prevent ADEs and early detection to mitigate the effects. Most studies (73 [94%] of 78) assessed technical algorithm performance, and few studies evaluated the use of AI in clinical settings. Most articles (58 [74%] of 78) were published within the past 5 years, highlighting an emerging area of study. Availability of new types of data, such as genetic information, and access to unstructured clinical notes might further advance the field.
