n. 3 - 2025

Intelligenza Artificiale: La Nuova Frontiera della Farmacovigilanza

Pubblicato a Settembre 2025

Il sistema tradizionale di Farmacovigilanza, pur essendo essenziale per la sicurezza dei pazienti, presenta varie criticità: sotto-segnalazione, difficoltà nell’individuare segnali tra grandi quantità di dati, scarsa integrazione tra sistemi nazionali, eccessiva burocratizzazione e limitate risorse. In questo scenario, l’Intelligenza Artificiale (IA) emerge come un’opportunità per superare tali ostacoli.
Negli ultimi anni, l’enorme disponibilità di dati informatizzati (cartelle cliniche, database, social media) e la crescente potenza di calcolo hanno favorito lo sviluppo di metodi computazionali come il Machine Learning (ML) (2,3) e il Deep Learning (DL), oggi comunemente indicati come IA (4,5). Grazie alla capacità di analizzare grandi volumi di dati eterogenei, l’IA può rendere più efficiente e tempestivo il sistema di Farmacovigilanza.
Questo articolo analizza come l’IA possa offrire soluzioni concrete in questo campo, evidenziandone potenzialità e criticità.

 Le possibili applicazioni dell’Intelligenza Artificiale nella Farmacovigilanza

L’IA è una risorsa preziosa per gestire l’enorme quantità di dati sanitari oggi disponibili provenienti da segnalazioni spontanee, cartelle cliniche elettroniche, letteratura scientifica, forum e social media. Può intervenire in tutte le fasi del processo, dall’acquisizione dei dati fino all’analisi dei segnali di sicurezza.

Acquisizione e gestione dei dati (Intake e Processing)
La Farmacovigilanza si basa sulla raccolta e analisi di dati, ma spesso deve fare affidamento su segnalazioni incomplete o imprecise e su grandi volumi di informazioni non strutturate (testo libero), la cui gestione manuale è inefficiente. L’Intelligenza Artificiale (IA) può ottimizzare questo processo, soprattutto grazie al Natural Language Processing (NLP), capace di comprendere, analizzare e creare testi complessi.
Le principali applicazioni dell’IA in questo campo includono:

• Traduzione e gestione multilingue: superare le barriere linguistiche e analizzare segnalazioni da tutto il mondo, anche in lingue poco diffuse (6-9).
• Estrazione e codifica di concetti: identificare automaticamente dati chiave (paziente, farmaco, dose, ADR), riducendo il lavoro manuale; ad esempio, ChatGPT ha individuato correttamente coppie farmaco-ADR in note cliniche de-identificate, trovando anche reazioni aggiuntive (12).
• Gestione di dati complessi e disomogenei: riconoscere sinonimi, abbreviazioni o errori, utile con fonti “rumorose” come social media (13-15).
• Rilevamento delle interazioni: identificare collegamenti e nessi di causalità tra entità come farmaco, ADR e paziente (14,16).
• Supporto ai processi decisionali: i dati estratti possono alimentare algoritmi di ML e supportare le valutazioni degli esperti; sistemi come VigiMatch e VigiFlow sono già in uso presso l’Organizzazione Mondiale della Sanità (19).
• Riassunto di testi: creare sintesi automatiche di grandi volumi di dati clinici, riducendo il carico di lavoro (lettura e scrittura) per gli operatori umani della Farmacovigilanza (11,15,16).

Analisi dei dati su larga scala e Rilevazione di segnali di sicurezza

L’analisi su larga scala delle segnalazioni spontanee di ADR e l’identificazione di segnali affidabili è complessa, anche a causa del “rumore di fondo” (cioè l’elevata quantità di segnalazioni eterogenee che possono mascherare i segnali reali) presente nei grandi database. I metodi statistici tradizionali, pur utili, sono suscettibili a confondenti e variabilità individuale. L’Intelligenza Artificiale (IA) offre strumenti analitici avanzati che possono supportare gli esperti di farmacovigilanza in questo compito critico.

Gli algoritmi di Machine Learning (ML) e Deep Learning (DL) possono analizzare enormi quantità di dati, sia da sistemi di segnalazione spontanea (p.e. FAERS, EudraVigilance, VigiBase) sia da fonti del “mondo reale” (Real World Data – RWD), individuando pattern clinici complessi che potrebbero sfuggire all’analisi umana o ai metodi convenzionali (15,16,19).

Alcuni algoritmi di ML, come Random Forest e Gradient Boosting Machine (GBM), hanno mostrato prestazioni superiori alle misure tradizionali di disproporzionalità (ROR, PRR) (20). In questo ambito, World Health Organization-Uppsala Monitoring Centre (WHO-UMC) utilizza già un algoritmo di tipo BCPNN (Bayesian Confidence Propagation Neural Network) per individuare segnali nei database mondiale di segnalazioni spontanee di ADR (15,16,21,22).

Valutazione del rapporto di causalità (causality assessment)

La valutazione della causalità tra un farmaco e un evento avverso richiede sempre il giudizio di un esperto umano, ma i modelli di Machine Learning (ML) possono supportare questo processo.

In uno studio della Food and Drug Administration (20), il ML è stato usato per classificare i report come “valutabili” o “non valutabili”: i migliori algoritmi hanno ottenuto punteggi F1 superiori a 0.80, suggerendo che l’identificazione dei report di scarso valore (da scartare per l’analisi) potrebbe essere un primo passo utile nell’applicazione dell’IA alla valutazione della causalità nelle schede di segnalazione di ADR.

Questo approccio, evitando l’intervento manuale, mira a migliorare l’efficienza del sistema di farmacovigilanza, liberando tempo agli esperti per concentrarsi su attività più complesse e di maggior impatto per la salute pubblica (15,16,22).

Prevenzione delle ADR e previsione delle interazioni farmacologiche

L’Intelligenza Artificiale (IA) può migliorare il rapporto beneficio/rischio dei farmaci, personalizzando i trattamenti e prevedendo interazioni o tossicità.

L’IA può essere applicata per personalizzare il dosaggio individuale dei farmaci in base ai parametri farmacocinetici e farmacodinamici del paziente (11). Ad esempio, per farmaci biologici come Rituximab, una dose standard può essere inefficace in pazienti con elevata clearance, e l’IA può aiutare ad adeguarla (23).

L’IA può anche prevedere tossicità e interazioni tra farmaci attraverso sistemi esperti e modelli in silico(cioè simulazioni computazionali basate su dati, svolte al computer) come Quantitative Structure-Activity Relationships (QSAR), più rapidi ed economici dei metodi tradizionali.

Inoltre, può individuare varianti genetiche che influenzano il metabolismo dei farmaci, come quelle del gene CYP2D6, supportando prescrizioni personalizzate (13).

Nella farmacogenomica, i modelli di Machine Learning (ML) sono stati applicati per analizzare le interazioni farmaco-gene (DGI) e per prevedere potenziali interazioni tra farmaci: ad esempio, i modelli SVM (Support Vector Machine) sono stati utilizzati per prevedere coppie di farmaci che potrebbero interagire, basandosi su misure di somiglianza molecolare, farmacologica e di reazione avversa (22-25).

Questo approccio predittivo consente di ridurre i rischi di somministrazione e di ottimizzare l’efficacia dei trattamenti, in particolare nei pazienti che potrebbero non rispondere alle terapie standard, contribuendo a spostare la farmacovigilanza da un modello reattivo (centrato sull’analisi degli eventi avversi già occorsi) a uno proattivo, orientato alla loro prevenzione.

Valutazione della sicurezza dei farmaci nelle fasi pre-cliniche

L’applicazione dell’Intelligenza Artificiale (IA) nelle fasi pre-cliniche dello sviluppo dei farmaci è molto promettente perché può ridurre tempi e costi, tradizionalmente elevati, migliorando al tempo stesso la sicurezza. L’IA può agire principalmente su due fronti: previsione della tossicità e scoperta di nuove molecole.

• Previsione della tossicità dei composti chimici.

In questo campo, i sistemi tradizionali richiedono test di laboratorio lunghi e costosi. L’IA può accelerare questo processo analizzando dati molecolari e strutturali. I modelli di Machine Learning (ML), addestrati su banche dati di molecole con tossicità nota, possono prevedere precocemente la tossicità di nuovi composti (p.e. epatica o cardiaca), escludendo candidati rischiosi prima della fase clinica e riducendo i tassi di fallimento nelle fasi successive dello sviluppo e garantendo una maggiore sicurezza per i pazienti i rischi di fallimenti successivi (14,11,22).

• Supporto alla scoperta di nuovi farmaci.

Oltre a scartare molecole indesiderate, l’IA può individuare candidati promettenti analizzando dati complessi (p.e. immagini di cellule o tessuti) e prevedendo la struttura tridimensionale delle proteine e le interazioni con nuove molecole. Gli algoritmi di generative AI (cioè sistemi di Intelligenza Artificiale capaci di creare nuovi contenuti, come molecole, immagini o testi, a partire da dati di addestramento) possono persino creare nuove strutture molecolari con caratteristiche desiderate, accelerando la ricerca di nuovi composti (11,13,22,27). Questo approccio computazionale riduce l’uso di test di laboratorio ad alta intensità di risorse, rendendo la scoperta di farmaci più rapida, efficiente e meno costosa.

In sintesi, l’utilizzazione dell’IA nelle fasi pre-cliniche può rappresentare un’evoluzione cruciale in farmacologia percè trasforma la valutazione della sicurezza dei farmaci da un processo reattivo, basato su test ( “trial-and-error”), a un processo predittivo, basato su un’analisi intelligente dei dati.

Stato dell’arte sull’uso della Intelligenza Artificiale in Farmacovigilanza: alcuni esempi

Nonostante il grande potenziale, l’adozione dell’Intelligenza Artificiale (IA) in Farmacovigilanza è ancora agli inizi e i risultati non sono sempre generalizzabili. Diversi studi hanno analizzato lo stato dell’arte sull’uso dell’IA, evidenziando progressi e criticità.

Una recente revisione sistematica (28) ha evidenziato che la maggior parte degli studi pubblicati sull’uso dell’IA in Farmacovigilanza si concentra su specifici ambiti di applicazione. Le aree di maggiore interesse sono:

• identificazione di eventi o reazioni avverse da farmaci (ADE/ADR) (57,6%),
• elaborazione di rapporti di sicurezza (21,2%),
• individuazione di interazioni farmaco-farmaco (7,6%),
• identificazione di popolazioni ad alto rischio o guida a cure personalizzate (7,6%),
• previsione di effetti collaterali (3,0%).

Gli autori hanno concluso che, sebbene promettenti, i risultati non sono ancora generalizzabili per l’eterogeneità dei dati e degli approcci metodologici utilizzati.

Un’altra revisione (10) ha analizzato lo stato dell’arte sull’uso del Machine Learning (ML) nella farmacovigilanza, valutando 393 articoli pubblicati tra il 2000 e il 2021 per studiare l’influenza delle tecniche di apprendimento automatico nel settore.

Gli obiettivi erano quelli di:

• identificare i compiti più comuni assegnati al ML;
• valutare l’adozione delle “migliori pratiche” (p.e. uso di grandi dataset, condivisione di codice e dati, innovazione metodologica);
• individuare le aree di maggiore impiego dell’IA.

La revisione ha evidenziato alcune tendenze significative:

• Aumento esponenziale delle pubblicazioni di circa sei volte negli ultimi 10 anni, con un forte incremento degli studi basati su Deep Learning dal 2015.
• Scarso utilizzo delle “migliori pratiche”:
  • il 73% degli studi usa metodi “pronti all’uso” (off-the-shelf) con poche o nessuna modifica;
  • solo l’8% sfrutta modelli pre-addestrati;
  • soltanto il 7% degli studi ha reso pubblicamente disponibile il proprio codice, un dato molto inferiore rispetto ad altri campi (dove la percentuale può superare il 40-50%).

Gli autori hanno concluso che, nonostante l’interesse crescente, l’IA non ha ancora rivoluzionato la farmacovigilanza e che, per ottenere risultati paragonabili ad altri settori, occorre superare importanti barriere strutturali.

Le evidenze disponibili sulle performance delle tecniche di IA rispetto ai metodi farmacoepidemiologici tradizionali sono state oggetto di un’altra revisione sistematica (29), che ha esaminato 72 studi (osservazionali, meta-analisi e clinici) pubblicati dal 1950 al maggio 2019 sull’uso dell’IA in ambito farmacologico.
Solo 19 studi (26,4%) hanno effettuato un confronto diretto: in questi, l’IA ha superato i metodi tradizionali nel 50% dei confronti (22 su 44) e ha mostrato prestazioni paragonabili in altri 4.

Le tecniche con risultati migliori sono state:

• Random Forest: ha superato i metodi tradizionali nel 63,6% dei confronti;
• Artificial Neural Network: ha avuto successo nel 60% dei casi.

I principali ambiti di applicazione identificati sono stati: previsione del dosaggio, previsione della risposta clinica, previsione di eventi avversi e calcolo del propensity score.

Sebbene i risultati siano stati giudicati complessivamente positivi, gli autori hanno sottolineato che l’efficacia dell’IA non è ancora dimostrata, a causa della scarsa riproducibilità dei risultati e dell’eterogeneità delle performance a seconda della tecnica e del contesto.

Infine, un’indagine italiana condotta da Società Italiana di Medicina Farmaceutica (SIMeF) (30) ha rilevato che solo il 25,8% delle aziende farmaceutiche ha progetti attivi sull’IA in Farmacovigilanza, ma il 74,2% ritiene che avrà un impatto significativo sulle attività e competenze future.

In sintesi, le esperienze attuali pur confermando l’ineluttabilità della prossima implementazione dell’IA nelle attività di Farmacovigilanza concordano che la sua integrazione nelle attività routinarie non risulta priva di ostacoli.  È, comunque, opinione comune che la soluzione ideale riguardo l’uso dell’IA, rimane un “approccio collaborativo” che combini l’efficienza dell’IA con il controllo insostituibile di esperti umani.

Le Criticità dell’uso della Intelligenza Artificiale in Farmacovigilanza

L’adozione dell’Intelligenza Artificiale (IA) nella Farmacovigilanza è ostacolata anche da due principali criticità: la definizione di una cornice normativa chiara e le questioni etiche connesse al suo utilizzo.

Gli aspetti Normativi e Legali

• Mancanza di un quadro regolatorio armonizzato

Una delle principali criticità per l’uso dell’IA in Farmacovigilanza è l’assenza di standard normativi condivisi a livello globale.

Sebbene l’IA sia considerata una prorompente forza trasformativa, la sua integrazione nei processi regolatori è ancora iniziale e disomogeneamente rappresentata tra le agenzie regolatorie.

A questo proposito, vale la pena citare che European Medicines Agency (EMA) e Food and Drug Administration (FDA) stanno sviluppando documenti strategici (es. Multi-annual AI workplan 2023-2028, Big Data Workplan 2023-2025, Technology Modernization Action Plan, Data Modernization Action Plan) per integrare l’IA nei propri sistemi (31-33). Tuttavia, l’assenza di standard comuni per lo scambio dei dati e per la validazione degli algoritmi ostacola la cooperazione tra enti e ne rallenta l’adozione.

• Responsabilità legale
  L’opacità dei modelli di machine learning, spesso definiti “scatole nere”, rende difficile capire come l’IA sia arrivata a una determinata conclusione. Questo crea un dilemma etico (vedi in seguito) e legale significativo su chi debba essere considerato responsabile in caso di un errore decisionale: sviluppatore, struttura sanitaria o medico stesso? (33-36).
• Protezione della privacy
• L’addestramento dei sistemi di IA richiede grandi quantità di dati sensibili, con rischi di violazione della privacy. Il General Data Protection Regulation (GDPR) in Europa e l’Health Insurance Portability and Accountability Act (HIPAA) negli USA impongono restrizioni severe, rendendo complessa la condivisione dei dati e quindi le attività di addestramento degli stessi sistemi esperti.
  A questo va aggiunto che, oggi, i tradizionali  controlli effettuati  dalle  agenzie regolatorie nei confronti delle Aziende Farmaceutiche (basati su audit statici) risultano  poco adatti a sistemi di IA che sono dinamici e auto-aggiornanti. Anche questa situazione richiede una revisione e implementazione di nuove forme di supervisione (31,33,34,36,37).

In conclusione, visto che   l’EU IA Act classifica gli strumenti di IA per la sanità come ad alto rischio ciò impone a livello regolatorio la necessità di una supervisione legale centrale caratterizzata da valutazioni periodiche per la convalida continua dei modelli di IA allo scopo di garantirne la conformità. 

Con questi presupposti è evidente che, sul piano normativo, il successo della implementazione dell’IA in Farmacovigilanza dipenderà dalla capacità delle agenzie regolatorie e dell’industria di collaborare per creare un quadro normativo che bilanci l’innovazione con la sicurezza dei pazienti, la trasparenza e la responsabilità.

Gli aspetti Etici

L’implementazione dell’IA e del machine learning nel campo della Farmacosorveglianza comporta anche una serie di complesse sfide etiche e sociali che devono essere affrontate per garantire che l’innovazione non comprometta la sicurezza dei pazienti e sia comunque sottoposta a trasparenti principi etici.

Trasparenza e fiducia

Molti modelli di IA, specialmente quelli di deep learning, operano in modo così complesso che il loro processo decisionale non è facilmente comprensibile per gli esseri umani tanto che la stessa IA è definita una “scatola nera” (black box). La fiducia nel sistema da parte degli operatori dipende dalla sua esplicabilità (Explainable AI, XAI), condizione necessaria per permettere agli esperti di convalidare i risultati non facendo solo affidamento cieco su algoritmi che non possono capire né giudicare.  D’altra parte, senza una chiara comprensione dei modelli di ragionamento dell’IA, vi è un alto rischio di ignorare segnali importanti o di prendere decisioni errate (18,31,34,38,39)

Fenomeni di confondimento (bias)

Un modello di IA è efficace solo se i dati su cui è stato addestrato sono completi, accurati e rappresentativi. E’ evidente che, se i dati raccolti presentano errori pregiudiziali, l’IA li apprenderà, li consoliderà e li amplificherà, con la conseguenza di generare esiti potenzialmente iniqui e tali da compromettere la sicurezza stessa dei pazienti (11,17,34,39,40).

In questa ottica, i bias (fenomeni di confondimento) nella raccolta ed analisi dei dati rappresentano un pericolo specifico per la IA nella sua applicazione in Farmacovigilanza. Come abbiamo più volte sottolineato l’IA analizza i dati, ma le fonti di dati utilizzati  per le attività di Farmacovigilanza (le cartelle cliniche elettroniche,  i registri,  le segnalazioni spontanee, i commenti su social media) spesso riflettono  in partenza disuguaglianze già esistenti nel sistema sanitario:

Le principali fonti di bias nei dati di farmacovigilanza sono:

• Sotto rappresentazione demografica: I set di dati di addestramento dell’IA  possono escludere  gruppi demografici specifici, come minoranze etniche, donne, bambini, popolazioni rurali o individui con un basso status socioeconomico. Ad esempio, i dati provenienti dalle sperimentazioni cliniche o dai database di farmacosorveglianza possono essere dominati da pazienti maschi caucasici, rendendo i modelli meno precisi e meno affidabili per altri gruppi. Questa sotto rappresentazione è particolarmente critica per farmaci e vaccini, il cui profilo di sicurezza potrebbe variare significativamente in base a fattori genetici, ambientali e di stile di vita.
• Bias di segnalazione: La segnalazione di reazioni avverse (ADR) non è uniforme a livello mondiale. Alcuni studi hanno rilevato che i tassi di segnalazione sono bassissimi in molti paesi a basso e medio reddito come l’Africa che ha contribuito solo per una frazione delle segnalazioni al database globale VigiBase  della Organizzazione Mondiale della Sanità. Questo squilibrio significa che i modelli addestrati su tali dati avranno una visione incompleta e distorta del profilo di sicurezza dei farmaci a livello globale. I modelli potrebbero non riuscire a identificare segnali di sicurezza specifici per queste regioni del mondo, con il rischio di ignorare rischi emergenti per una parte significativa della popolazione mondiale.
• Bias algoritmico: Gli algoritmi possono imparare correlazioni spurie o errate con la conseguenza di arrivare a veri e propri fenomeni “allucinatori”,   come associare erroneamente la presenza di un righello presente in un’immagine alla malignità di un tumore. È evidente come , questo tipo di “allucinazioni”, possano rendere il modello di IA inaffidabile in contesti clinici reali e capace di produrre conclusioni errate e pericolose per la salute pubblica.

Le conseguenze etiche dei fenomeni sopra descritti vanno oltre la semplice inefficienza algoritmica e sono principalmente:

• Disuguaglianze sanitarie: Un sistema di IA addestrato su dati distorti può produrre raccomandazioni cliniche non eque. Ad esempio, un modello che supporta la decisione di prescrivere un farmaco potrebbe raccomandarlo per una sottopopolazione (ad esempio, pazienti caucasici) ma non per un’altra (ad esempio, pazienti afroamericani), non a causa di differenze biologiche effettive, ma perché i dati di addestramento erano insufficienti a garantire la sua sicurezza ed efficacia per quest’ultima.
• Compromissione della sicurezza: La mancata identificazione di segnali di sicurezza in popolazioni sottorappresentate può portare a ritardi nella rilevazione di rischi critici, compromettendo la sicurezza pubblica. Un’IA non equa può fallire nel suo compito primario, cioè proteggere la salute dei pazienti.

In sintesi, garantire trasparenza, equità e qualità dei dati è fondamentale per un uso etico e sicuro dell’IA in Farmacovigilanza.

Conclusioni

Tutto quanto esposto dimostra che l’adozione dell’Intelligenza Artificiale (IA) e del Machine Learning (ML) nella Farmacovigilanza non è più da considerarsi un’ipotesi futura ma una realtà in rapida espansione, necessaria per gestire l’aumento esponenziale delle segnalazioni di ADR, l’eterogeneità dei dati e la complessità del quadro normativo internazionale.

I metodi tradizionali della Farmacovigilanza, basati soprattutto su lavoro manuale, risultano sempre più inadeguati. L’IA offre una via d’uscita permettendo di trasformare gli onerosi processi di raccolta ed elaborazione dei dati, in attività di lavoro più efficienti e maggiormente focalizzate sul valore dell’informazione e sulla ricerca degli scopi dello stesso sistema.

Le evidenze attuali orientano verso un uso dell’IA non rivolto a sostituire l’esperienza umana, ma a potenziarne l’efficienza. Infatti l’IA può automatizzare compiti a basso valore aggiunto (acquisizione e standardizzazione dei dati, ricerca di duplicati, pre-codifica delle ADR), permettendo agli esperti di concentrarsi sull’analisi dei segnali complessi e sulle questioni cliniche più ad alto impatto.

Tuttavia, il percorso verso una piena integrazione dell’IA richiede di affrontare tre sfide principali:

• Armonizzazione della normativa: l’evoluzione dell’IA supera la capacità attuale delle normative di stare al passo dei tempi permanendo incertezze sulla responsabilità, sulla trasparenza dei processi e sulla validazione dei sistemi. Servono standard globali condivisi costruiti attraverso un dialogo aperto e  costante tra industria, autorità regolatorie e comunità scientifica indipendente .
• Integrità dei dati: L’efficacia dei modelli di IA  dipende dalla qualità e dalla rappresentatività dei dati di addestramento dei sistemi.  Le attuali limitazioni dovute a bias, sottorappresentazione di alcune popolazioni e problemi di privacy possono minare il livello di equità e l’affidabilità dei modelli e per tale ragione devono essere risolte.
• Il cambio di paradigma: La transizione all’uso dell’IA richiede un’evoluzione professionale, che implichi la formazione degli esperti di farmacovigilanza alle nuove competenze tecnologiche e l’accettazione di un approccio che veda l’IA come un collaboratore e non come un sostituto delle attività umane.

In conclusione, il futuro della farmacovigilanza si configura come un ecosistema ibrido, in cui l’intelligenza umana e quella artificiale lavorano in sinergia. L’IA, se implementata con un approccio etico, scientifico e basato su solidi principi di governance, ha il potenziale non solo di ottimizzare i processi e ridurre i costi, ma soprattutto di elevare la qualità del monitoraggio della sicurezza dei farmaci, contribuendo in maniera decisiva a migliorare la salute pubblica e a rafforzare la fiducia dei pazienti.

Bibliografia

1. La farmacovigilanza: attualità e criticità. Informazione sui Farmaci e Terapie n. 2 – 2025 https://farmaciterapie.info/2025/06/18/la-farmacovigilanza-attualita-e-criticita/
2. Rajkomar A, Dean J, Kohane IS, Machine learning in medicine., The New England journal of medicine 380 14 (2019) 1347–1358. [DOI] [PubMed] [Google Scholar]
3. Handelman G, Kok H, Chandra R et al. Machine learning and the future of medicine, Journal of internal medicine 284 (6) (2018) 603–619. [DOI] [PubMed] [Google Scholar]
4. Miotto R, Wang F, Wang S et al. Deep learning for healthcare:review, opportunities and challenges, Briefings in bioinformatics 19 (6) (2017) 1236–1246. [DOI] [PMC free article] [PubMed] [Google Scholar]
5. Xiao C, Choi E, Sun J, Opportunities and challenges in developing deep learning models using electronic health records data: a systematic review, Journal of the American Medical Informatics Association 25 (10) (2018) 1419–1428.
6. Singh SP, Kumar A, Darbari H et al.  Machine translation using deep learning: an overview. In: 2017 International Conference on Computer, Communications and Electronics (Comptelix). 2017. pp. 162–7.
7. Cui J, Kingsbury B, Ramabhadran B, et al.  Knowledge distillation across ensembles of multilingual models for low-resource languages. In: 2017 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). 2017. pp. 4825–9.

8. Murthy R, Khapra MM, Bhattacharyya P. Improving NER tagging performance in low-resource languages via multilingual learning. In: ACM Transactions on Asian and Low-Resource Language . Information Processing. 2019. pp. 1–20.
9. Fan A, Bhosale S, Schwenk H, et al. Beyond english-centric multilingual machine translation. J Mach Learn Res. 2021;22:1–48.77, 78].
10. Kompa B, Hakim JB, Palepu A et al. Artificial Intelligence Based on Machine Learning in Pharmacovigilance: A Scoping Review. Drug Saf. 2022 May;45(5):477-491. doi: 10.1007/s40264-022-01176-1. Epub 2022 May 17. Erratum in: Drug Saf. 2023 Apr;46(4):433. doi: 10.1007/s40264-023-01273-9. PMID: 35579812; PMCID: PMC9883349.
11. Ryan DK, Maclean RH, Balston A et al. Artificial intelligence and machine learning for clinical pharmacology. Br J Clin Pharmacol. 2024 Mar;90(3):629-639. doi: 10.1111/bcp.15930. Epub 2023 Nov 12. PMID: 37845024.
12. Wang H, Ding YJ, Luo Y. Future of ChatGPT in Pharmacovigilance. Drug Saf. 2023 Aug;46(8):711-713. doi: 10.1007/s40264-023-01315-2. Epub 2023 Jun 12. PMID: 37306853; PMCID: PMC11168724.
13. Liang L, Hu J, Sun G et al. Artificial Intelligence-Based Pharmacovigilance in the Setting of Limited Resources. Drug Saf. 2022 May;45(5):511-519. doi: 10.1007/s40264-022-01170-7. Epub 2022 May 17. PMID: 35579814; PMCID: PMC9112260.
14. Ball R, Dal Pan G. “Artificial Intelligence” for Pharmacovigilance: Ready for Prime Time? Drug Saf. 2022 May;45(5):429-438. doi: 10.1007/s40264-022-01157-4. Epub 2022 May 17. PMID: 35579808; PMCID: PMC9112277.
15. Kompa B, Hakim JB, Palepu A et al. Artificial Intelligence Based on Machine Learning in Pharmacovigilance: A Scoping Review. Drug Saf. 2022 May;45(5):477-491. doi: 10.1007/s40264-022-01176-1. Epub 2022 May 17. Erratum in: Drug Saf. 2023 Apr;46(4):433. doi: 10.1007/s40264-023-01273-9. PMID: 35579812; PMCID: PMC9883349.
16. Desai MK. Artificial intelligence in pharmacovigilance – Opportunities and challenges. Perspect Clin Res. 2024 Jul-Sep;15(3):116-121. doi: 10.4103/picr.picr_290_23. Epub 2024 Mar 27. PMID: 39140015; PMCID: PMC11318788.
17. Schmider, J., Kumar, K., LaForest, C., et al. (2019). Innovation in Pharmacovigilance: Use of Artificial Intelligence in Adverse Event Case Processing. Clinical Pharmacology & Therapeutics, 105(4), 954-961.
18. Pariente, A., Micallef, J., Lahouegue, A., et al. (2023). What place for intelligent automation and artificial intelligence to preserve and strengthen vigilance expertise in the face of increasing declarations?. Therapie, 78(2), 131-143.
19. Murali, K., Kaur, S., Prakash, A., & Medhi, B. (2019). Artificial intelligence in pharmacovigilance: Practical utility. Indian Journal of Pharmacology, 51(6), 373-376.
20. Warner J, Prada Jardim A, Albera C. Artificial Intelligence: Applications in Pharmacovigilance Signal Management. Pharmaceut Med. 2025 May;39(3):183-198. doi: 10.1007/s40290-025-00561-2. Epub 2025 Apr 21. PMID: 40257538; PMCID: PMC12126317.
21. Bate A, Luo Y. Artificial Intelligence and Machine Learning for Safe Medicines. Drug Saf. 2022 May;45(5):403-405. doi: 10.1007/s40264-022-01177-0. Epub 2022 May 17. PMID: 35579805; PMCID: PMC9112276.
22. Basile AO, Yahi A, Tatonetti NP. Artificial Intelligence for Drug Toxicity and Safety. Trends Pharmacol Sci. 2019 Sep;40(9):624-635. doi: 10.1016/j.tips.2019.07.005. Epub 2019 Aug 2. PMID: 31383376; PMCID: PMC6710127.
23. Le Tilly O, Woillard JB. Evaluating Use of Artificial Intelligence for Drug Exposure and Effect Prediction. Kidney Int Rep. 2023 Nov 11;9(1):1-3. doi: 10.1016/j.ekir.2023.11.006. PMID: 38312781; PMCID: PMC10831393.
24. Gaulton A, Bellis LJ, Bento AP et al.  Chembl: a large-scale bioactivity database for drug discovery, Nucleic acids research 40 (Dl) [2011] D1100–D1107. [PubMed: 21948594]
25. Nekoei M, Mohammadhosseini M, Pourbasheer E, Qsar study of vegfr2 inhibitors by using genetic algorithm-multiple linear regressions (gamlr) and genetic algorithm-support vector machine (ga-svm): a comparative approach, Medicinal Chemistry Research 24 [7] [2015] 3037–3046.
26. Algamal Z, Qasim M, Ali H, A qsar classification model for neuraminidase inhibitors of influenza a viruses (h1n1) based on weighted penalized support vector machine, SAR and QSAR in Environmental Research 28 [5] [2017] 415–426. [PubMed: 28539063
27. Singh S, Kumar R, Payra S et al. Artificial Intelligence and Machine Learning in Pharmacological Research: Bridging the Gap Between Data and Drug Discovery. Cureus. 2023 Aug 30;15(8):e44359. doi: 10.7759/cureus.44359. PMID: 37779744; PMCID: PMC10539991.
28. Salas M, Petracek J, Yalamanchili P, et al. The Use of Artificial Intelligence in Pharmacovigilance: A Systematic Review of the Literature. Pharmaceut Med. 2022;36(5):295-306.
29. Sessa M, Liang D, Khan AR et al. Artificial Intelligence in Pharmacoepidemiology: A Systematic Review. Part 2-Comparison of the Performance of Artificial Intelligence and Traditional Pharmacoepidemiological Techniques. Front Pharmacol. 2021 Jan 14;11:568659. doi: 10.3389/fphar.2020.568659. PMID: 33519433; PMCID: PMC7841344.
30. Stagi L, Bocchi I, Bianco S et al. Pharmacovigilance and the digital world in Italy: presentation of the results of a national survey. Ther Adv Drug Saf. 2021 Feb 10;12:2042098620985991. doi: 10.1177/2042098620985991. PMID: 33623659; PMCID: PMC7878998.
31. Glaser M, Littlebury R. Governance of artificial intelligence and machine learning in pharmacovigilance: what works today and what more is needed? Ther Adv Drug Saf. 2024 Oct 31;15:20420986241293303. doi: 10.1177/20420986241293303. PMID: 39493927; PMCID: PMC11528645.
32. Kassekert R, Grabowski N, Lorenz D et al. Industry Perspective on Artificial Intelligence/Machine Learning in Pharmacovigilance. Drug Saf. 2022 May;45(5):439-448. doi: 10.1007/s40264-022-01164-5. Epub 2022 May 17. PMID: 35579809; PMCID: PMC9114066.
33. Fu L, Jia G, Liu Z et al. The applications and advances of artificial intelligence in drug regulation: A global perspective. Acta Pharm Sin B. 2025 Jan;15(1):1-14. doi: 10.1016/j.apsb.2024.11.006. Epub 2024 Nov 13. PMID: 40041903; PMCID: PMC11873654.
34. Reddy S. Generative AI in healthcare: an implementation science informed translational path on application, integration and governance. Implement Sci. 2024 Mar 15;19(1):27. doi: 10.1186/s13012-024-01357-9. PMID: 38491544; PMCID: PMC10941464.
35. Hinostroza Fuentes VG, Karim HA, Tan MJT et al.  AI with agency: a vision for adaptive, efficient, and ethical healthcare. Front Digit Health. 2025 May 7;7:1600216. doi: 10.3389/fdgth.2025.1600216. PMID: 40400543; PMCID: PMC12092461.
36. Mizna S, Arora S, Saluja P et al.  An analytic research and review of the literature on practice of artificial intelligence in healthcare. Eur J Med Res. 2025 May 14;30(1):382. doi: 10.1186/s40001-025-02603-6. PMID: 40369671; PMCID: PMC12076917.
37. Hinostroza Fuentes VG, Karim HA, Tan MJT et al. AI with agency: a vision for adaptive, efficient, and ethical healthcare. Front Digit Health. 2025 May 7;7:1600216. doi: 10.3389/fdgth.2025.1600216. PMID: 40400543; PMCID: PMC12092461.
38. Jarallah SJ, Almughem FA, Alhumaid NK et al.  Artificial intelligence revolution in drug discovery: A paradigm shift in pharmaceutical innovation. Int J Pharm. 2025 Jul 25;680:125789. doi: 10.1016/j.ijpharm.2025.125789. Epub 2025 May 30. PMID: 40451590.
39. Mohsin Khan M, Shah N, Shaikh N et al.  Towards secure and trusted AI in healthcare: A systematic review of emerging innovations and ethical challenges. Int J Med Inform. 2025 Mar;195:105780. doi: 10.1016/j.ijmedinf.2024.105780. Epub 2024 Dec 30. PMID: 39753062.
40. Jeyaraman M, Balaji S, Jeyaraman N et al.  Unraveling the Ethical Enigma: Artificial Intelligence in Healthcare. Cureus. 2023 Aug 10;15(8):e43262. doi: 10.7759/cureus.43262. PMID: 37692617; PMCID: PMC10492220.