医薬品の有害事象（ADE）と偽の相関を区別することは、医薬品安全性監視（ファーマコビジランス）における中核的な課題である。InferBERTフレームワークはトランスフォーマーモデルとDo-calculusを組み合わせた先進的なアプローチだが、その成功は基礎となる分類モデルの選択に大きく依存している。本研究では、InferBERT内でのモデル選択の影響を評価し、より単純なモデルで十分か、ドメイン特化型の事前学習が有効か、大規模言語モデル（LLM）への拡張が因果検出を改善するか、そして事後キャリブレーションの効果を検証した。 研究では、鎮痛薬誘発性急性肝不全（AILF）とトラマドール関連死亡（TRAM）の2つのベンチマークデータセットを用いて4つのモデルを比較した。XGBoost（ベースライン）、ALBERT（元のInferBERT）、BioBERT（バイオメディカル特化トランスフォーマー）、Med-LLaMA（医療用LLM）について、20回繰り返された5分割交差検証で評価を実施している。精度、較正前後のExpected Calibration Error（ECE）、PRR、ROR、EBGMとの因果用語のJaccard一致度を測定し、ペアt検定で有意性を検証した。 結果として、BioBERTが両データセットで最高の精度を達成し、Med-LLaMAはそのサイズとパラメータ効率的ファインチューニングにもかかわらずパフォーマンスが低下した。ドメイン特化型の事前学習が決定的な役割を果たし、キャリブレーションはECEを改善したものの、精度と因果検出には混在した影響を与えた。BioBERTは従来のファーマコビジランス信号との最強の一致性も示している。これらの結果から、ドメイン特化型の事前学習は単純なベースラインより明らかに有利であり、単にモデルサイズを拡大するより、管理可能でドメイン認識的なモデルに投資することが、計算ファーマコビジランスにより有効であることが示唆されている。