Las interacciones entre medicamentos (DDIs) pueden plantear riesgos significativos en la práctica clínica y farmacovigilancia. Aunque las técnicas tradicionales de minería de reglas de asociación, como el algoritmo Apriori, se han aplicado a la detección de señales de seguridad de medicamentos, su rendimiento en la detección de DDIs no ha sido evaluado sistemáticamente, especialmente en el Sistema de Reporte Espontáneo (SRS), que contiene una gran cantidad de medicamentos y AEs con una estructura de correlación compleja y factores latentes no observados. Este estudio llena ese vacío a través de estudios de simulación exhaustivos diseñados para imitar características clave de los datos del SRS. Mostramos que el confusión latente puede distorsionar sustancialmente la precisión de detección: por ejemplo, al usar la proporción de reporte (RR) como un indicador secundario, el área bajo la curva (AUC) para detectar efectos principales disminuyó aproximadamente un 30% y para DDIs alrededor de un 15%, en comparación con configuraciones sin confusión. Una aplicación del mundo real utilizando datos de VAERS de 2024 ilustra aún más las consecuencias del sesgo no medido, incluida una asociación potencialmente espuria entre la vacunación contra COVID-19 y la infección. Estos hallazgos resaltan las limitaciones de los métodos existentes y enfatizan la necesidad de futuras herramientas que tengan en cuenta factores latentes para mejorar la confiabilidad de la detección de señales de seguridad en análisis de farmacovigilancia.