Nous présentons un nouveau cadre pour la modélisation bayésienne hiérarchique des événements indésirables dans les essais cliniques multicentriques, en exploitant les modèles de langage à grande échelle (MLL). Contrairement aux approches d'augmentation des données qui génèrent des points de données synthétiques, cette étude dérive des distributions paramétriques a priori directement du modèle. À l'aide de LLM pré-entraînés, nous dérivons systématiquement des distributions a priori informatives pour les hyperparamètres du modèle bayésien hiérarchique, intégrant directement l'expertise clinique externe à la modélisation bayésienne de la sécurité. Des analyses complètes de sensibilité à la température et une validation croisée rigoureuse sur des données d'essais cliniques réels démontrent que les distributions a priori dérivées des LLM améliorent systématiquement les performances prédictives par rapport aux approches méta-analytiques existantes. Cette méthodologie ouvre la voie à une conception d'essais cliniques plus efficace et plus éclairée par les experts, réduisant considérablement le nombre de patients nécessaires pour obtenir des évaluations de sécurité solides et transformant potentiellement la surveillance de la sécurité des médicaments et la prise de décision réglementaire.
