在本研究中，通过建立一个名为 MultiADE 的多领域对比基准，我们探索了在不同文本类型中有效地提取不良药物事件的机器学习模型的泛化能力，结果表明训练模型的泛化性还远未达到完美，而进行域适应的方法仍需进一步研究。

May, 2024

通过将 ADE 相关的文本信息与视觉辅助工具相结合，我们呈现了一个多模态不良药物事件（MMADE）检测数据集，并引入了一个框架，利用 LLMs 和 VLMs 的能力进行 ADE 检测，生成对描绘 ADE 的医学图像的详细描述，帮助医疗专业人员在视觉上识别不良事件，从而提高总体性能。该方法有望促进患者安全、ADE 意识和医疗可及性，为个性化医疗的进一步探索铺平了道路。

May, 2024

本文介绍一种基于自然语言处理技术的解决方案，能够在社交媒体帖子、顾客支持电话记录或医疗保健提供商与制药销售代表会议的多种非结构化对话中检测药品不良反应，并提供了三种方法来对其进行提取，分别是新的命名实体识别模型、两个新的关系抽取模型和新的文本分类模型。该解决方案已实现为一个统一的 NLP 管道，并在 Apache Spark 顶部构建了一个生产级库，使其能够在通用集群上处理数百万批处理或流记录。

Jan, 2022

使用异质文本图形，借助统一医学语言系统中的医学知识，提出了一种基于概念感知注意机制的自然语言处理方法，结合预训练语言模型的上下文化嵌入和卷积图神经网络进行特征表示和关系学习，能有效地自动从文本中检测不良药物事件，表现和最近进展竞争性相当。

Jan, 2023

本文在生物医学研究中探讨针对药物引起的不良反应提出了一种通过使用自我关注机制以及机器阅读文献的灵感创作的基于问题回答 (Question-Answering) 的模型，能够将这些情况分类提供给医护人员减少药物致死和患病率，并可视化和理解网络如何利用局部和更广泛的上下文进行分类。

Jan, 2018

本研究提出了一种跨领域数据整合方法，将通用文本知识库中的结构知识转移至医学领域，以解决医学领域的命名实体消岐问题，预训练模型使得命名实体消岐的准确性提高了高达 57 个百分点，并在 MedMentions 和 BC5CDR 两个基准医学命名实体消岐数据集上实现了最先进的性能。

Oct, 2021

本文提出了应用 SpanBERT 架构通过 NLP 监控社交媒体、博客和健康论坛上的不良药物事件反应（Adverse Drug Events），并在两个数据集上验证了它在多词汇语境中的优越性。

May, 2021

本研究对 19 种基于 Transformer 的模型在非正式文本中进行 ADE 抽取进行了评估和分析，并使用 SHAP 等技术探究了模型分类、预训练领域和大小、以及训练方式等因素对模型性能的影响，为进一步提高数字药物监管工作提供了实证分析。

Jun, 2023

通过提出跨文档事件抽取（CDEE）任务，综合多个文档中的事件信息，本论文解决了传统文档级事件抽取的局限性，并构建了一个新的信息抽取研究线路。

Jun, 2024

利用大型语言模型和小型语言模型协作的方法在跨文档事件共指解析中取得了最好的性能，并且在不同的数据集中都表现出了最先进的性能，强调了其在多样场景中的有效性。

Jun, 2024