مدیریت هوشمند فارماکوویژیلانس؛ تحول نظارت بر ایمنی دارو با هوش مصنوعی

علی طالبی، دستیار اقتصاد و مدیریت دارو در دانشکده داروسازی دانشگاه علوم پزشکی تهران، در یادداشتی اختصاصی برای «دوشنبه‌های دارویی» به بررسی «مدیریت هوشمند فارماکوویژیلانس» (Pharmacovigilance) و تحول فناوری‌های نوین در حوزه ایمنی دارویی پرداخته است. به باور او، این حوزه دهه‌ها بر الگوی سنتی «گزارش‌دهی داوطلبانه» متکی بوده است. این مدل که بر فرم‌های کاغذی یا سامانه‌های ثبت دستی استوار است، به دلیل فرآیندهای کند، تحلیل‌های پسینی و به‌ویژه «پدیده کم‌گزارشی مزمن» (Under-reporting)، کارآمدی لازم را در شناسایی سریع عوارض نادر دارویی ندارد. امروزه با توسعه روزافزون صنایع دارویی و ورود فرآورده‌های زیست‌مشابه (Biosimilars) و داروهای شخصی‌سازی‌شده، حجم و پیچیدگی داده‌های بالینی از توان تحلیل انسانی فراتر رفته است. در پاسخ به این چالش، علم ایمنی دارویی با هدایت فناوری‌های نوین، هوش مصنوعی (AI)، یادگیری ماشینی (ML) و کلان‌داده‌ها (Big Data) در حال تجربه یک «تحول پارادایمی» از پایش انفعالی و مقطعی به «فارماکوویژیلانس هوشمندانه، پیش‌بینانه و چندبعدی» است. نهادهای نظارتی بین‌المللی مانند FDA و EMA نیز رویکردهای نوینی را برای بالا بردن دقت و سرعت پایش ایمنی به کار بسته‌اند. یکی از این رویکردها، پردازش زبان طبیعی (NLP) و تحلیل داده‌های ساختارنیافته است. بخش عمده‌ای از گزارش‌های عوارض دارویی در پرونده‌های الکترونیک سلامت (EHR)، یادداشت‌های متنی پزشکان، مقالات علمی و حتی انجمن‌های آنلاین بیماران و شبکه‌های اجتماعی به شکل متن آزاد (Unstructured Data) وجود دارد. مدل‌های پیشرفته NLP با کاوش خودکار این متون، نام‌های تجاری، عوارض جانبی و دوزهای مصرفی را استخراج کرده و آن‌ها را مستقیماً به واژگان استاندارد بین‌المللی مانند MedDRA نگاشت می‌دهند. دومین محور، الگوریتم‌های یادگیری ماشینی در کشف پیش‌بینانه سیگنال است. الگوریتم‌های یادگیری عمیق (Deep Learning) و درخت‌های تصمیم‌گیری با تحلیل پایگاه‌های داده عظیم مانند VigiBase متعلق به سازمان جهانی بهداشت، الگوهای پیچیده و پنهان میان داروها را کشف می‌کنند. این سامانه‌ها قادرند تداخلات دارویی چندگانه (Multi-drug Interactions) و عوارض جانبی نادر را بسیار سریع‌تر از روش‌های آماری سنتی شناسایی کرده و سیگنال‌های کاذب (False Positives) ناشی از متغیرهای مخدوش‌کننده را فیلتر کنند. محور سوم، تحلیل کلان‌داده‌های دنیای واقعی (Real-World Data – RWD) است. به جای انتظار برای ارسال گزارش‌های داوطلبانه، سامانه‌های هوشمند امروزی به‌صورت خودکار داده‌های ثبت‌شده در نسخه‌نویسی‌های الکترونیک، بیمه‌ها و پایگاه‌های جمعیتی را رصد می‌کنند تا رفتار واقعی دارو را در گروه‌های پرخطر — مانند سالمندان و زنان باردار — که در کارآزمایی‌های بالینی اولیه حضور نداشته‌اند، ارزیابی کنند. چهارمین محور، اتوماسیون فرآیندها (RPA) و کاهش بار کاری است. به‌کارگیری «اتوماسیون رباتیک فرآیندها» در واردکردن داده‌ها، ارزیابی اولیه صحت گزارش‌ها (Case Validation) و طبقه‌بندی فوریت‌های ایمنی، بار اداری دپارتمان‌های فارماکوویژیلانس را تا حدود ۶۰ درصد کاهش داده و تمرکز کارشناسان را به تحلیل‌های تخصصی ریسک معطوف کرده است. طالبی در ادامه این یادداشت، بر پایه مرور مصاحبه‌ها و گزارش‌های رسمی مسئولان سازمان غذا و دارو و مرکز ملی ثبت عوارض ناخواسته داروها (ADR)، وضعیت فارماکوویژیلانس در ایران را نقد و ارزیابی کرده است. به نوشته او، شکاف ساختاری عمیقی میان رویکرد فعلی کشور و استانداردهای هوشمند جهانی وجود دارد؛ از جمله کم‌گزارشی مزمن، نگاه اداری و تشریفاتی بسیاری از شرکت‌ها به دپارتمان فارماکوویژیلانس، جزیره‌ای عمل‌کردن سامانه‌های داده‌ای بومی و محدودیت‌های زیرساختی و بین‌المللی در دسترسی به نرم‌افزارها و پایگاه‌های مرجع جهانی. او در جمع‌بندی، گذار از فارماکوویژیلانس انفعالی به فارماکوویژیلانس هوشمند را نه یک انتخاب مدرن، بلکه ضرورتی حیاتی برای صیانت از سلامت عمومی و ارتقای کیفیت صنعت داروسازی ایران دانسته است.