Seguimiento de efectos secundarios de vacunas de ARNm más allá de la vigilancia pasiva: el aprendizaje automático filtró un 17% de señales duplicadas
Antecedentes
Durante la pandemia de COVID-19, el despliegue masivo de vacunas de ARN mensajero (ARNm) reveló las limitaciones estructurales de los sistemas tradicionales de farmacovigilancia. La vigilancia pasiva convencional, que depende de informes voluntarios de profesionales médicos y vacunados, presenta defectos como retrasos en los informes y altas tasas de subnotificación. La dificultad para calcular con precisión la incidencia real de efectos secundarios en la población general también ha planteado desafíos para las autoridades sanitarias. Cada vez que se introduce una nueva plataforma de vacunas, los puntos de vigilancia reciben un flujo simultáneo de datos narrativos no estructurados y reclamaciones duplicadas. Para detectar signos anómalos de forma temprana y demostrar la seguridad, era necesario un nuevo enfoque que integrara rápidamente datos de múltiples fuentes. El aprendizaje automático (ML) ha surgido como una alternativa para procesar datos del mundo real (RWD), que abarcan registros de salud electrónicos (EHR), datos de facturación de atención médica y sistemas de notificación de eventos adversos.
Hallazgos clave
Los investigadores recopilaron de manera exhaustiva literatura en inglés indexada en PubMed, Embase y Web of Science desde el inicio de las bases de datos hasta junio de 2026. Dos evaluadores revisaron la literatura de forma independiente, y la evaluación del riesgo de sesgo se basó en una versión adaptada de la herramienta QUADAS-2 para la calidad de estudios de precisión diagnóstica. Debido a la gran heterogeneidad en las tareas de aprendizaje automático (detección de señales, extracción de texto, predicción de riesgos y estratificación del pronóstico), los algoritmos y las métricas de evaluación, fue inevitable realizar una síntesis descriptiva. Un total de 43 estudios cumplieron con los criterios estrictos para el análisis final.
En el campo de la predicción de reacciones adversas, los modelos basados en árboles (como los árboles de decisión) registraron valores estables del área bajo la curva (AUC) entre 0,85 y 0,87. No obstante, se interpreta que es difícil determinar una superioridad directa debido a las diferencias en los entornos clínicos y los conjuntos de datos aplicados en cada estudio. Al aplicar el procesamiento del lenguaje natural (NLP) a los registros descriptivos de efectos adversos en los sistemas de notificación de vacunas, las señales duplicadas disminuyeron un 17%. Al filtrar informes redundantes innecesarios, se redujo la carga de trabajo del personal de vigilancia y se aceleró la identificación de señales de seguridad significativas. En el caso de la miocarditis, una de las principales reacciones adversas de las vacunas de ARNm, el rendimiento predictivo de los modelos de ML entrenados con cohortes cardiovasculares alcanzó un AUC de hasta 0,899. Sin embargo, los estudios que validan directamente estos modelos en grupos de pacientes vacunados con ARNm siguen siendo escasos y la mayoría se limitan a análisis retrospectivos. Se observó que las aplicaciones de ML para plataformas de próxima generación, como las vacunas de ARNm autoamplificables o las vacunas contra el cáncer, aún se encuentran en una etapa de prueba de concepto debido a la falta de datos del mundo real post-comercialización.
Significado y perspectivas
Esta revisión sistemática de la literatura muestra claramente que el sistema de vigilancia de la seguridad de las vacunas, anteriormente centrado en la notificación posterior a la administración, está evolucionando hacia un sistema de monitoreo en tiempo real proactivo e inteligente. Los algoritmos que aprenden en tiempo real de vastos conjuntos de datos médicos tienen el potencial de detectar tempranamente las sutiles señales de efectos adversos raros, difíciles de identificar durante las fases iniciales de la vacunación. Sin embargo, existen numerosos obstáculos que deben superarse antes de que estos sistemas se integren plenamente en la práctica clínica real. Los formatos de datos y las desviaciones en la calidad, que varían según cada institución médica, junto con el problema de la "caja negra" que dificulta explicar claramente el proceso de derivación de los algoritmos, siguen siendo un obstáculo para ganar la confianza del entorno clínico. La falta de directrices específicas de autorización por parte de las autoridades reguladoras y de estándares de verificación acreditados también se señala como un factor que retrasa la comercialización. La transparencia de los datos y el establecimiento de modelos de inteligencia artificial explicables son fundamentales para que los sistemas inteligentes de farmacovigilancia se consoliden como un sólido escudo para la salud pública.
BACKGROUND: The rapid deployment of mRNA vaccines during the COVID-19 pandemic exposed limitations in traditional pharmacovigilance systems, including delayed reporting, high underreporting rates, and inability to calculate true incidence. Machine learning (ML) offers new pathways to overcome these challenges by integrating multi-source real-world data. METHODS: We systematically reviewed English-language studies from database inception to June 2026. Searches were performed in PubMed, Embase, and Web of Science. Two reviewers independently screened records. Given substantial heterogeneity across ML tasks (signal detection, text extraction, risk prediction, prognosis stratification), algorithms, data sources, and metrics, we performed narrative synthesis. Risk of bias was assessed using adapted QUADAS-2. RESULTS: We identified 43 studies. For adverse-event prediction, tree-based models reported AUCs of 0.85-0.87, though estimates derive from heterogeneous settings. NLP reduced redundant signals by 17% in vaccine reporting systems. For myocarditis, ML models reached AUCs up to 0.899 in cardiovascular cohorts, but direct mRNA vaccine applications remain limited and retrospective. Emerging platforms (self-amplifying and tumor mRNA vaccines) lack post-marketing data, rendering ML applications largely conceptual. CONCLUSION: ML-assisted pharmacovigilance enables a shift from passive to active, intelligent monitoring. Despite challenges in data quality, model interpretability, and regulatory approval, intelligent pharmacovigilance systems will become essential infrastructure for safeguarding public health.
Los resultados de este estudio ofrecen una dirección concreta de mejora para los sistemas de gestión de la seguridad en los centros de vacunación y las autoridades sanitarias. En las instituciones médicas, mediante el uso de modelos de ML basados en EHR, es posible realizar un análisis previo de las enfermedades subyacentes, el historial de reacciones a medicamentos y los factores de riesgo cardiovascular de los vacunados para identificar con precisión a los grupos de alto riesgo de miocarditis. Esto permitiría integrar sistemas de apoyo a la decisión clínica (CDSS) que proporcionen automáticamente un calendario de observación intensiva y pautas de seguimiento personalizado para estos grupos. Por su parte, las agencias reguladoras de salud pueden reducir significativamente la fatiga administrativa del personal especializado al implementar algoritmos de NLP en los canales de notificación de efectos adversos, eliminando rápidamente el 17% de las señales duplicadas. Esto permitiría la creación de una red de vigilancia activa a nivel nacional capaz de detectar anomalías estadísticas sin omitir señales críticas durante las fases iniciales de distribución de nuevas vacunas.