Resumo A detecção precoce de reações adversas a medicamentos (RAMs) é crucial para a segurança do paciente, mas continua desafiadora devido à subnotificação e dados atrasados na farmacovigilância tradicional. Este estudo propõe uma estrutura computacionalmente eficiente e interpretável para a detecção de RAMs, integrando Adaptação de Baixo Ranking (LoRA) e Explicações Aditivas de Shapley (SHAP) com modelos de transformador baseados em codificador (BERT, DistilBERT, RoBERTa). Aproveitando mais de 3.900 tweets anotados, nossa abordagem demonstra que LoRA reduz parâmetros treináveis e custos de treinamento em até 50%, enquanto preserva alta precisão de classificação (acima de 98%) em três classes de doenças. A análise SHAP fornece interpretabilidade acionável, revelando que os modelos dependem consistentemente de termos clinicamente relevantes, como nomes de medicamentos e sintomas, para impulsionar as previsões. Em comparação com o ajuste fino tradicional, LoRA e Ajuste Fino Eficiente de LLMs Quantizados (QLoRA) oferecem uma alternativa robusta e escalável para processar dados de mídias sociais informais e ruidosos, tornando viável o monitoramento em tempo real de RAMs em ambientes de saúde com recursos limitados. Esta estrutura encontra um equilíbrio entre eficiência computacional, interpretabilidade e desempenho preditivo, apoiando a integração da farmacovigilância em sistemas de suporte à decisão clínica para um cuidado mais seguro aos pacientes. Resumo Gráfico
Rezaei et al. (Sat,) estudaram esta questão.