条件感知的自然语言处理框架：基于患者生成评论的药物有效性分解、监管基准评估、安全信号检测与对抗鲁棒性评价

《Naunyn-Schmiedeberg's Archives of Pharmacology》：Beyond ratings: a condition-aware natural language processing framework for drug effectiveness decomposition, regulatory benchmarking, safety signal detection, and adversarial robustness assessment using patient-generated reviews

患者生成的药物评论为感知药物有效性提供了大规模真实世界证据来源，然而现有计算分析主要将有效性建模为单一药物层面估计，忽略了跨治疗适应症（therapeutic indications）的变异。本研究引入一个集成的四模块自然语言处理（natural language processing, NLP）框架，将患者评论分析从聚合评分预测扩展至条件感知的药物警戒（pharmacovigilance）支持。模块1在1880个药物–适应症对（623种药物；131种适应症）上分解药物有效性，显示同一药物在不同适应症间评分差异可达4.18分（在至少两种适应症中观察到的533种药物中，1–10分量表上的平均跨适应症极差为0.98分）。结合词频–逆文档频率（term frequency–inverse document frequency, TF-IDF）特征与线性支持向量回归（support vector regression, SVR）的条件感知模型实现了决定系数（coefficient of determination, R²）0.749（95%置信区间（confidence interval, CI）0.731–0.767），与药物层面模型（R²=0.744）相当，同时提供适应症特异性估计。基于物品的协同过滤（item-based collaborative filtering）对未观察到的药物–适应症对进行插补，留出均方根误差（root mean squared error, RMSE）为0.716，不优于简单的药物+适应症加性基线。模块2将患者衍生评分与230种匹配药物中记录的美国食品药品监督管理局（U.S. Food and Drug Administration, FDA）安全行动进行基准比较。FDA采取行动的药物评分略高（Cohen's d=?0.297，95% CI ?0.431至?0.163；受试者工作特征曲线下面积（area under the receiver operating characteristic curve, AUC）=0.592），但该差异主要由其远高的评论量解释：在未收缩评分下差异消失（d=?0.045），协变量调整后减弱（比值比（odds ratio）1.12，95% CI 0.95–1.31），尽管在至少50条评论的药物中仍存在小幅差异（d=?0.285）。模块3从四个基于词典的维度构建复合安全关注评分。该评分对FDA采取行动的药物具有适度区分能力（AUC=0.568，95% CI 0.516–0.619），包括在至少50条评论的药物中（AUC=0.593）以及校正词典匹配后（AUC=0.574）；停药语言是最一致的区分特征。该模块标记了141种结合高评分与高安全关注语言的"盲点"药物；许多标记反映了命名所治疗适应症的词典术语，因此盲点仅具有假设生成价值。模块4评估对简单文本扰动和基于模板的虚假评论注入的鲁棒性。TF-IDF结合SVR和TF-IDF结合Ridge回归的鲁棒性指数分别为0.991和0.994；对于评论稀疏的目标药物，约需50条（SVR）和61条（Ridge；外推）注入评论才能使预测偏移一个评分点。条件感知有效性估计和语言安全信号可以补充但不能替代已建立的药物警戒来源。

**研究背景与问题**

患者生成的药物评论是伴随数值有效性评分的自由文本叙述，发布于Drugs.com、WebMD和Ask a Patient等平台，从患者视角捕捉感知疗效、耐受性和满意度。本研究所分析的Drugs.com语料库包含超过215,000条评论。患者生成的在线内容已被提议作为药物警戒的补充来源，部分原因是自发不良反应报告存在严重漏报，部分原因是在线患者叙述相较其他来源包含更多轻度和症状相关不良事件，尽管严重和实验室检测相关事件代表性不足。由于这些评论反映了异质人群和适应症（包括超说明书使用情境）中的真实世界使用情况，此类评论可以通过揭示受控环境中可能不出现的感知获益和损害模式来补充临床证据。先前研究还表明，聚合用户评分可以与临床合理信号对齐，包括对不良反应负担较高的药物给出较低评分。

先前的自然语言处理（NLP）计算工作主要将患者药物评论分析框架为情感分类或个体评论层面/药物层面的文本到评分预测。经典方法依赖词袋和TF-IDF表示结合支持向量机和随机森林等监督学习器。近期工作探索了Transformer模型，包括双向编码器表示来自Transformer（Bidirectional Encoder Representations from Transformers, BERT）和领域适应变体，在评论层面分类中可实现更高准确率。然而，稀疏词汇TF-IDF表示结合线性学习器（如SVR）仍然是药物评论评分预测的竞争性、透明且计算高效的基线。但该文献通常将每种药物视为具有单一有效性特征，产生每种药物一个聚合评分。这一假设在临床上是简化的：同一药物通常服务多种治疗适应症，其感知有效性可能在不同适应症间显著变化。

存在若干重要空白尚未解决。第一，药物层面与药物–适应症层面建模之间的区别尚未被系统检验。第二，患者衍生有效性估计与监管证据（如FDA安全行动）的对齐程度尚未在大规模上被检验。第三，嵌入评论文本中的安全关注语言标记尚未被系统提取和评估作为候选药物警戒指标。第四，有效性预测模型对对抗操纵（包括文本扰动和虚假评论注入）的鲁棒性受到有限关注，尽管数字健康平台中评论操纵的担忧日益增长。

**研究内容与结论**

本研究通过一个包含四个模块的集成框架解决上述问题。模块1在药物–适应症层面分解药物有效性，并应用协同过滤（通过掩码留出实验评估）来估计未观察到的药物–适应症对的有效性。模块2将患者衍生有效性评分与记录的FDA安全行动进行基准比较，并对潜在混杂进行敏感性分析。模块3构建语言安全关注评分并评估其区分有记录安全行动药物与无记录安全行动药物的能力。模块4在受控扰动和注入攻击下测试基于TF-IDF的预测模型的鲁棒性。这些模块共同将患者评论分析从描述性评分预测扩展至条件感知的、假设生成性的药物警戒支持。

**关键技术方法**

研究使用来自Drugs.com的公开数据集（通过UCI机器学习库获取），包含215,063条患者评论，每条评论包括药物名称、医学适应症、自由文本评论、1–10分制数值评分、提交日期和有用性投票计数。研究采用定量实验设计，组织为四个集成模块。 Module 1采用贝叶斯收缩估计（先验强度α=10.0）稳定药物–适应症对的均值估计，使用基于物品的协同过滤（k=10最近邻）预测未观察到的药物–适应症对，并构建TF-IDF（一元和二元语法；最大200,000特征；次线性词频缩放；最小文档频率5；最大文档频率0.9）结合线性SVR（C=1.0，ε=0.0）的条件感知预测模型，采用五折交叉验证与折外预测。模块2汇编了102条记录的FDA安全行动数据库（涵盖92种独特药物），来源于FDA药物安全通讯档案、联邦公报撤回药物列表和已发表撤回历史，采用两遍匹配策略并进行六项敏感性分析。模块3从药物层面拼接评论文本中提取五个基于词典的特征家族，构建复合安全关注评分（SCS），并采用Mann–Whitney U检验和AUC评估。模块4评估TF-IDF+SVR和TF-IDF+Ridge（α=1.0）两种模型对文本扰动（5%–30%强度，三种策略）和基于模板的虚假评论注入（1–50条）的鲁棒性。所有随机成分使用固定随机种子（42）。

**研究结果**

**模块1：条件感知有效性分解（RQ1）**

药物–适应症聚合产生623种药物和131种适应症中的1880个有效药物–适应症对。药物–适应症矩阵（623×131=81,613个单元）表现出97.7%的稀疏性。协同过滤将矩阵覆盖率从2.3%提高至16.4%。药物内变异分析显示存在显著的适应症依赖性有效性差异。在623种保留药物中，平均跨适应症极差为0.838分（中位数0.72；Depo-Provera在五种适应症中最大达4.176）。在至少两种适应症中观察到的533种药物中，平均极差为0.98分（中位数0.89；四分位距0.40–1.39），44种药物极差超过2分。条件感知模型的R²（0.749；95% CI 0.731–0.767）与药物层面模型（0.744；0.726–0.760）基本相等，置信区间重叠，而其RMSE更高（0.446 vs 0.385），反映了更细粒度目标的更大方差。协同过滤插补（k=10）可预测52.9%的掩码单元，RMSE=0.716（95% CI 0.674–0.757），优于全局均值基线（RMSE 0.857）但不优于药物均值基线（0.701）或加性药物+适应症基线（0.671；95% CI 0.633–0.711）。敏感性分析显示，跨适应症变异的幅度取决于收缩程度：平均极差从无收缩（α=0）的1.37降至α=50的0.49，在所有设置下均存在显著跨适应症变异。

**模块2：FDA安全行动的监管基准评估（RQ2）**

两遍匹配策略识别239种候选药物（134个精确匹配和105个部分匹配）。经人工审查，9个字符串伪影部分匹配被重新分类为对照，最终留下230种FDA采取行动的药物和3441种对照药物。FDA采取行动药物与对照药物之间的有效性分布存在差异（Mann–Whitney p<0.0001；KS p<0.0001），但效应量小且方向反直觉：FDA采取行动的药物获得略高的平均评分（Cohen's d=?0.297，95% CI ?0.431至?0.163），有效性对FDA采取行动药物与对照药物的区分能力较弱（AUC=0.592，95% CI 0.553–0.632）。敏感性分析表明该差异主要归因于评论量：FDA采取行动的药物评论量远高于对照（中位数38 vs 5），因此对照药物被更强地收缩至全局均值。使用未收缩平均评分时差异消失（d=?0.045，95% CI ?0.178至0.089；p=0.41），调整评论量、评论新近度、适应症数量、主要适应症和有用性投票后，每1-SD较高有效性的比值比从1.39（1.20–1.61）减弱至1.12（0.95–1.31）。在至少50条评论的药物中仍存在小幅差异（收缩评分d=?0.285，95% CI ?0.490至?0.079；p=0.015；未收缩评分d=?0.269；p=0.022）。

**模块3：评论语言中的安全信号检测（RQ3）**

对3671种药物提取了安全相关语言特征，其中134种通过精确名称匹配与FDA安全行动匹配。复合安全关注评分对FDA采取行动药物的区分能力为AUC=0.568（95% CI 0.516–0.619；单侧Mann–Whitney p=0.004；Holm校正p=0.004）。尽管平均复合评分几乎相同（5.36 vs 5.38），FDA采取行动药物的中位评分更高（5.29 vs 4.55），对照药物更为分散：16.3%的评分为零，反映文本极短。停药语言是最一致的特征，在FDA采取行动药物中均值和median均更频繁（均值比1.29×）。阳性疗效语言在FDA采取行动药物中均值较低（0.66×）但中位数较高。严重性语言（承载最大先验权重）在FDA采取行动药物中平均频率较低（0.93×）。在至少50条评论的药物中，评分区分能力略好（AUC=0.593，95% CI 0.528–0.658）。词典审计显示子串匹配夸大了若干计数；采用全词匹配并排除否定短语后，复合评分AUC=0.574（95% CI 0.522–0.625），停药语言在FDA采取行动药物中频率为1.44倍。替代先验权重给出相似结果（等权重：AUC 0.569；严重性主导：0.566）。数据衍生权重未能泛化：四维逻辑模型的交叉验证AUC为0.486。应用上四分位标准（SCS>6.88且有效性>7.49）标记了141种盲点药物，其中10种（7.1%）具有精确匹配的FDA安全行动，而所有药物中为3.7%；10种中9种为抗抑郁药。不良反应维度对135种药物的评分贡献最大，仅29种有至少50条评论。对29种评论充分的药物检查显示，许多标记主要因为不良反应术语也命名了所治疗适应症。

**模块4：对抗鲁棒性（RQ4）**

两种模型在所测试扰动下均表现出高鲁棒性指数（SVR 0.9912，95% CI 0.9897–0.9925；Ridge 0.9935，0.9924–0.9945），Ridge回归在每个扰动水平下产生的平均预测偏移比SVR小25–28%（配对Wilcoxon p<0.001）。虚假评论注入下的预测偏移随注入评论数呈凹形增加，最大边际偏移来自最初注入的评论。在最高测试水平（50条评论）下，SVR预测偏移1.01（95% CI 0.86–1.14；阳性注入）和0.96（阴性注入）个评分点，Ridge预测偏移0.82（0.70–0.93）和0.73。一分阈值在SVR中约需50条注入评论（95% CI 50–58；阴性注入52条），而Ridge估计约61条（95% CI 54–71；阴性注入68条）为超出测试范围的外推。这些阈值适用于评论稀疏的药物：目标药物中位真实评论数为6条（范围1–593），50条注入评论产生的偏移与真实评论数的对数强负相关（r=?0.93）。

**讨论与结论**

条件依赖性有效性方面，跨适应症有效性极差平均0.98分（在至少两种适应症中观察到的药物中）且可达4.18分，表明先前基准中使用的单一评分药物有效性模型可能掩盖实质异质性。协同过滤将矩阵覆盖率从2.3%提高至16.4%，但留出评估显示插补估计的预期误差约0.7分，且不优于简单的加性药物+适应症基线。条件感知模型的主要贡献在于粒度而非预测增益，其R²与药物层面模型基本相同。患者评分与FDA安全行动之间，分布差异不应被解释为患者衍生有效性对临床金标准的验证；FDA安全行动由罕见严重不良事件、暴露量、上市后监测、生产问题和监管政策驱动，而患者感知有效性并非设计用于捕捉这些因素。敏感性分析表明大部分差异源于评论量。复合安全关注评分的AUC为0.568，统计显著但区分能力适度，其价值在于捕捉患者体验的不同维度。141种盲点药物捕捉了两种不同现象：一些标记反映真实不良反应叙述，而许多因不良反应词典术语也命名所治疗适应症而产生。两种模型均表现出超过0.99的鲁棒性指数，Ridge回归一致的鲁棒性优势可能与其L2正则化有关。跨模块整合表明，一旦考虑评论量，FDA采取行动药物的评分与对照相似，而停药语言持续更频繁，提示叙述内容可携带数值评分未包含的信息。

研究结论：本研究引入了一个四模块集成框架用于患者生成药物评论的条件感知分析，将单一评分有效性预测扩展至药物警戒支持。第一，条件感知分解显示同一药物在不同治疗适应症间评分差异可达4.18分（在至少两种适应症中观察到的533种药物中平均跨适应症极差0.98分；共1880个药物–适应症对），在所有收缩和纳入设置下均存在显著变异。条件感知TF-IDF模型以与药物层面模型相当的预测准确率（R²=0.749 vs 0.744）提供此粒度。协同过滤为未观察到的药物–适应症组合提供近似估计，但预期误差约0.7分且不优于加性基线。第二，与230种有记录FDA安全行动药物的比较显示患者评分分布存在统计显著但小的差异（Mann–Whitney p<0.0001；d=?0.297），FDA采取行动药物评分略高于对照。该差异主要由FDA采取行动药物更大的评论量解释，仅在评论充分的药物中残留小幅差异。患者评分因此仅与监管行动弱关联，患者衍生评分的组间比较必须考虑评论量。第三，复合语言安全关注评分对FDA采取行动药物的区分能力适度（AUC=0.568），对校正词典匹配和评论充分药物均稳健，停药语言是最一致的特征。141种盲点药物包括真实不良反应叙述和词典术语与所治疗适应症重叠的伪影，它们是需精炼和前瞻性验证的假设生成候选。第四，基于TF-IDF的模型对所评估的简单扰动具有鲁棒性（鲁棒性指数>0.99），对于评论稀疏的药物约需50–61条基于模板的虚假评论才能使预测偏移一个评分点。Ridge回归相较SVR提供一致的鲁棒性优势。对语义保持和机器生成攻击的鲁棒性仍有待确立。总之，这些发现表明，患者生成的药物评论在采用条件感知方法分析、对照监管证据进行基准评估、检查语言安全标记并进行鲁棒性压力测试后，可以为药物警戒提供补充性的、假设生成的信息来源——应与已建立的来源一起使用而非替代它们，并需在独立数据集上进行外部验证。该框架具有可重复性且计算高效。