该研究旨在鉴别多药联合应用不良药物事件的关键特征，并构建和评估预测多药联合应用不良事件的模型，结果显示针对心血管疾病的特定模型在药物相互作用预测中表现显著提高，证明了领域特定模型提高药物相互作用预测准确性的强大潜力。

Aug, 2023

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

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

该研究提出了一种神经网络架构，利用多药副作用类型和药物分子结构，采用共同注意机制，对药物组合进行机器学习，以便预测药物之间的相互作用和潜在的副作用。

May, 2019

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

本文提出一种基于异质性图卷积神经网络的药物相互作用预测模型 HAN-DDI，该模型能够准确地预测新药物的药物相互作用，较已有模型有较好的表现。

Jul, 2022

本文提出了一种新的基于多数据源知识图谱嵌入的机器学习方法，用于预测药物相互作用的风险，融合了 DrugBank、PharmGKB 和 KEGG drug 三个数据库中的 12,000 个药物属性信息进行训练，并采用 ComplEx 嵌入方法、Convolutional-LSTM 神经网络和机器学习模型来实现，通过三个最佳分类器的模型平均集成方法，在 5 折交叉验证测试中得到的平均精度、F1-score 和 MCC 值分别为 0.94、0.92、0.80。

Aug, 2019

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

为了提高药物研发的安全性和患者预后，本研究介绍了 CT-ADE 数据集，该数据集基于临床试验结果提供了药物、患者人群和环境信息，并以 MedDRA 本体论的系统器官类别层次进行多标签 ADE 分类任务的标准化注释，通过基准模型的初步分析获得了令人满意的结果，展示了 CT-ADE 在 ADE 预测方面的潜力。CT-ADE 为希望利用人工智能和机器学习提高患者安全性并减少 ADE 对药物研发的影响的研究人员提供了一个重要工具。

Apr, 2024

对英语语言环境中不良药物效应（ADE）检测进行手工模板的全面性能评估，发现在社交媒体中检测 ADE 的模型能力存在差异。

Jul, 2024