综述：人工智能在药物警戒信号管理中的应用

这篇综述系统评价了人工智能（AI）技术在药物警戒信号管理中的应用进展，重点探讨了机器学习（ML）和自然语言处理（NLP）在信号检测、验证和评估中的优势与局限性。文章指出，集成方法（如随机森林和梯度提升机GBM）在信号检测中表现优于传统频数统计方法，而NLP在信号验证阶段可显著提升效率。作者强调透明使用AI技术及采用“金标准”数据集的重要性，为未来药物安全科学的智能化发展提供了实践指导。

　　

引言

药物警戒（Pharmacovigilance）作为监测药品安全性的核心学科，其信号管理流程包括信号检测、验证、优先级排序和评估。近年来，人工智能（AI）技术中的机器学习（ML）和自然语言处理（NLP）正逐步革新这一领域。传统信号检测依赖频数法（如报告比值比ROR）或贝叶斯方法，而新兴的ML算法通过智能自动化展现出更高潜力。

文献检索策略

通过PubMed和Embase数据库的系统检索，筛选出12篇聚焦AI在信号管理中应用的研究。纳入标准明确排除了仅涉及传统统计方法的文献，重点关注ML/NLP的创新应用。结果显示，相关研究集中在2021年后，反映出该领域的快速发展。

AI在信号检测中的应用

无监督学习
仅一项研究采用k-means聚类分析COVID-19疫苗相关不良事件（AE），成功识别血栓形成和血小板减少症信号，但受限于会议摘要形式，未深入验证其他潜在信号。

监督学习
八项研究验证了监督ML的优越性：

• 数据来源：涵盖韩国不良事件报告系统（KAERS）、美国FDA不良事件报告系统（FAERS）等，病例数从1,200至1,770万不等。
• 算法表现：梯度提升机（GBM）和随机森林在接收者操作特征曲线下面积（AUROC）指标中表现最佳。例如，GBM模型在KAERS数据中AUROC达0.973，显著优于ROR（0.548）。
• 特征分析：关键特征包括AE严重性、医疗专业人员报告比例、再激发试验结果等。

与传统方法对比
所有对比研究均显示ML算法（如XGBoost）在敏感性和特异性上超越频数法，尤其在处理复杂关联时优势明显。

AI在信号验证与评估中的突破

NLP技术

• Dong等开发了基于NLP的自动化工具，结合GPT-3.5模型，成功排除17%的COVID-19疫苗已知不良反应信号，验证准确率达78%。
• 另一项研究利用XGBoost模型对信号验证分类，宏平均F1分数0.53，但“信号”类别的训练数据不足影响结果。

临床评估辅助
早期会议摘要报道，NLP工具MedLEE在横纹肌溶解症病例中识别混杂因素（如他汀类药物），灵敏度达96.7%，显著提升评估效率。

挑战与未来方向

当前AI应用面临数据偏差、模型透明度不足等挑战。欧洲药品管理局（EMA）等机构正推动伦理框架建立，强调需平衡性能与可解释性。未来需扩大ML/NLP在不同治疗领域（如生物制剂）的验证，并探索其在“黑天鹅”事件预警中的潜力。

结论

AI技术通过集成方法和NLP正重塑药物警戒信号管理范式。透明化模型设计、采用标准化数据集及跨学科合作将是推动该领域持续创新的关键。