利用文本挖掘工具在电子健康档案中主动识别不良事件案例以加强信号检测

《Drug Safety》：Strengthening Signal Detection by Proactive Adverse Event Case Identification in Electronic Health Records Using a Text-Mining Tool

　　

摘要

背景

自发报告系统是药物警戒的基石，但受限于大量的漏报现象，这可能会延迟安全信号的检测。

目标

本研究旨在评估电子健康记录 - 不良事件搜索方法，以识别并报告电子健康记录中额外的潜在不良反应，从而加强常规信号检测。

方法

2022 年 8 月至 2025 年 8 月间，利用数据收集文本挖掘工具，对两家荷兰医院约 2,750,000 份电子健康记录中的不良反应进行了针对性搜索。搜索标准源自特定药物 - 不良事件关联自发报告中的信息。使用结构化数据（例如实验室结果、药物处方）和非结构化数据（例如临床记录、出院小结）来识别潜在不良反应。对识别出的病例进行人工核实，并在相关情况下向荷兰药物警戒中心 Lareb 报告，并与自发报告一起进行分析以进行信号检测。

结果

共报告了 147 例源自电子健康记录的病例，涉及 41 种药物 - 不良事件关联。这些病例参与了 34 次信号检测分析，支持了七个安全信号的评估。在 75% 的病例中，医疗保健专业人员已在临床记录中记录了疑似因果关系。源自电子健康记录的病例占七个检测信号所包含报告的比率高达 73%。

结论

本研究证明，电子健康记录可作为常规药物警戒实践中个体病例安全报告的额外来源，支持对选定潜在安全信号的进一步评估。尽管存在效率方面的局限性，但这种主动方法有望解决漏报问题并补充自发报告系统，从而加强信号检测。