Актуальность. На сегодняшний день не существует алгоритмов, способных учитывать взаимодействие трех и более одновременно применяемых лекарственных средств, что необходимо для снижения рисков проявления побочных эффектов при полипрагмазии. Для создания подобного алгоритма предлагается использовать байесовскую сеть – графическую вероятностную модель на основе семантического графа, который строится на информации, полученной из медицинских текстов. Однако для его построения необходимо проводить анализ обширного объема имеющихся медицинских текстов, что требует чрезвычайно больших временных и интеллектуальных затрат медицинских специалистов, ввиду чего существует необходимость автоматизации этого процесса.

Цель. Сравнение различных архитектур обработки естественного языка и технологий глубокого обучения для создания инструмента автоматического анализа текстовой медицинской информации о фармакокинетике и фармакодинамике, побочных эффектах и взаимодействиях для создания семантических графов, использующихсявпоследствии для построения байесовской сети анализа лекарственных взаимодействий.

Материалы и методы. Для автоматической разметки текстов медицинских инструкций можно использовать метод обработки естественного языка. В данной работе для выделения именованных сущностей в рамках исследования были протестированы модели глубокого обучения на основе архитектур BERT и T5 с использованием формата BIO.

Результаты. Наиболее высокую точность показали модели на базе BERT: RuBioBERT достигла показателя accuracy равного 0,9569±0,0052, немного опережая ruBERT, которая показала сопоставимые результаты. Выявлено, что предобучение на общих текстах дает преимущество на начальных этапах, тогда как специализированные модели, такие как RuBioBERT, становятся эффективнее при увеличении числа эпох обучения. Это связано с тем, что общеупотребительные тексты обеспечивают более универсальное представление языка, в то время как научные медицинские статьи отличаются своей спецификой, не полностью соответствующей структуре инструкций по медицинскому применению лекарственных средств.

Выводы. Модели BERT позволяют добиться качества разметки, близкого к экспертному, что делает их эффективным инструментом для построения семантического графа лекарственных взаимодействий. Автоматизация NER-разметки позволяет сократить трудозатраты экспертов и повысить точность обработки текстов. Таким образом, применение моделей BERT, таких как ruBERT и RuBioBERT, является перспективным методом для автоматизации анализа медицинских текстов и построения платформ для оценки сложных лекарственных взаимодействий.