《Life》：Safety Monitoring of High-Risk Antibiotics Using Artificial Intelligence: A Narrative Review with Focus on Real-World Evidence
高风险抗生素在当代传染病实践中仍然不可或缺，但它们占了可预防毒性、治疗药物监测复杂性和抗菌药物管理工作量中不成比例的份额。万古霉素、氨基糖苷类、多粘菌素、利奈唑胺、达托霉素、部分β-内酰胺类以及两性霉素B尤其具有挑战性，因为临床相关的暴露-毒性关系与显著的个体间差异和分散的上市后安全性监测并存。人工智能和真实世界证据越来越多地被提议作为应对这些局限性的补充方法，尽管证据基础仍然参差不齐且主要为回顾性。本叙述性综述综合了PubMed/MEDLINE、Scopus和Web of Science中2019年至2026年4月间发表的文献，并通过引文追踪和监管药物警戒资源进行补充，研究优先考虑实施成熟度、外部验证状态和管理相关性。当前证据表明，当嵌入临床丰富的数据环境时，人工智能可能改善安全性监测：机器学习模型在万古霉素、多粘菌素和利奈唑胺治疗中的肾毒性和血液学毒性方面显示出有前景的区分能力；自然语言处理可能增强从临床文本中提取不良药物事件；贝叶斯方法和模型知情工具已在万古霉素和氨基糖苷类给药中显示出临床实用性。然而，前瞻性实施数据仍然稀少，外部验证不常见，并且证明这些工具改善真实世界抗生素安全性结局（而非单纯的预测区分能力）的证据仍然有限。因此，人工智能驱动的抗生素安全性监测正从方法论前景向条件性临床实用性过渡，而非已证明的获益。近期价值最可能来自与治疗药物监测、抗菌药物管理和药理学主导的临床审查的整合，而非自主决策，临床药理学家和管理团队应主导这些工具的本地实施、验证和治理。
**1. 引言**
高风险抗生素是指治疗暴露与临床重要毒性之间的安全范围较窄，或其毒性频繁到需要结构化监测、剂量调整和管理监督的药物。在常规医院实践中，这类药物包括万古霉素、氨基糖苷类、多粘菌素、利奈唑胺、达托霉素以及部分β-内酰胺类（如头孢吡肟），后者在肾功能不全患者中易出现浓度相关的神经毒性。两性霉素B（amphotericin B）是此抗菌范围中的唯一例外：它属于抗真菌而非抗菌药物，但被有意纳入而非偶然，因为它与本文讨论的抗生素面临相同的根本毒性监测问题——强效疗效受限于剂量限制性器官毒性和对实验室监测的依赖。因此，其纳入基于毒理学和监测方面的理由，而非抗菌药物类别，全文将其作为比较对象而非额外抗菌药物进行讨论。这些药物对于多重耐药感染、深部革兰阳性菌病、严重脓毒症和复杂门诊肠外抗菌治疗（OPAT）至关重要，但同时也是最易引发肾毒性、神经毒性、血细胞减少、肝毒性或治疗中断的抗感染药物之一。
抗生素相关不良药物反应（ADRs）在住院患者中常见。观察性研究表明，抗生素是住院期间不良事件中涉及的主要药物类别之一，荟萃分析证据表明，疑似ADRs与老年住院患者住院时间延长、费用增加和临床结局恶化相关。更常见的事件（包括万古霉素治疗期间血清肌酐升高、利奈唑胺相关血小板减少症或头孢吡肟相关脑病）可能迫使降阶梯治疗、延迟感染源控制、延长住院时间并使管理决策复杂化。
传统的药物警戒虽必要，但不足以应对这一挑战。自发报告系统能捕获罕见和意外的安全性信号，但受限于漏报、重复提交、缺乏暴露分母、因果关系评估可变以及浓度依赖性毒性的延迟识别。这些局限性在抗生素中尤为重要，因为许多毒性效应发生在急性疾病、多药联用、肾功能不全和快速变化的生理状态背景下，使得因果关系归因在床边和上市后监测中都变得困难。值得注意的是，人工智能并不能解决这些根本局限性；它可能在一定条件下缓解其中一些问题。
人工智能（AI）和真实世界证据（RWE）正作为应对传统药物警戒某些不足的实用方法而出现。AI可扩展在结构化和非结构化数据中检测模式的能力，而RWE通过利用电子健康记录（EHRs）、索赔数据、登记系统、自发报告系统和数字监测工具，拓宽了临床试验之外的证据基础。然而，对这些方法的热情必须与以下认识相平衡：该领域目前正经历人工智能炒作周期，这并不总能转化为经过临床验证的工具。核心问题已不再是AI能否促进抗生素安全性监测，而是特定应用能否以及如何被严格验证、负责任地治理并有意义地嵌入临床工作流程。
本综述旨在总结AI驱动的高风险抗生素安全性监测的现有证据，解决一个具体问题：在何种条件下，人工智能和真实世界证据可望改善常规临床实践中抗生素相关毒性的检测、预测和预防。研究人员预期并对照现有文献进行了检验：AI驱动的工具在治疗药物监测（TDM）和剂量个体化这一狭窄领域显示出最可靠的临床效用证据，而在声称自主安全监测的更广泛领域证据最不成熟。综述强调RWE来源、TDM、实施障碍以及与传染病服务、临床药理学家和抗菌药物管理（AMS）团队相关的临床未来方向，并有意将证据质量的批判性评估置于单个研究的描述性摘要之上，将AI主要定位为支持管理工作流程的工具，而非自主的药物警戒系统。本综述区别于近期一篇更广泛讨论AI在细菌感染管理中应用的叙述性综述：本文并非调查诊断、抗菌药物选择和整体感染管理，而是专注于特定高风险药物组的安全性监测、药物警戒、TDM和毒性预测，并在整个过程中对预测性能与已证明的临床获益之间的区别应用一致的批判性视角。
**2. 方法**
本文设计为叙述性综述而非系统综述。其目的是提供一种解释性、以临床为重点的综述，涵盖传染病、临床药理学、药物警戒、生物医学信息学和监管科学等不断发展的文献。未预先注册正式方案，也未准备PRISMA流程图，这与叙述性设计一致。然而，鉴于方法学透明度的重要性，研究人员详细描述了检索和选择过程，以便进行批判性评估。
**2.1 文献检索**
对截至2026年4月30日收录于PubMed/MEDLINE、Scopus和Web of Science的出版物进行了结构化检索。核心PubMed检索字符串将AI方法术语（人工智能、机器学习、深度学习、自然语言处理、贝叶斯、大型语言模型）与抗生素相关术语（万古霉素、氨基糖苷类、多粘菌素、利奈唑胺、达托霉素、β-内酰胺类、头孢吡肟、两性霉素B）以及药物警戒相关术语（安全性、毒性、不良药物反应、药物警戒、治疗药物监测、电子健康记录、FAERS、EudraVigilance）相结合。检索策略针对Scopus和Web of Science进行了调整，使用了等效的主题词。两性霉素B作为唯一的抗真菌比较对象被纳入检索字符串，因为它与范围内的抗菌药物共享毒性监测和TDM问题；本综述中讨论的所有其他药物均为抗菌药物。引文追踪和对监管文件、药物警戒平台报告和管理指南的有针对性的手工检索补充了数据库检索。
**2.2 研究选择与优先排序**
初步合并检索在去除重复后识别出约1200条记录。根据叙述性而非系统性方法，由两位作者阅读标题和摘要并进行协作讨论（而非通过正式独立双审者方案筛选），以判断其与AI驱动的抗生素安全性监测或TDM的相关性。对约180条记录进行了全文审阅，其中60条根据相关性和以下优先排序标准被选为主要参考文献，而非通过正式的资格算法。意见分歧通过讨论解决，必要时由资深作者参与。这些数字为近似值，报告这些数字是为了透明度而非系统性方法的证据；本综述并非旨在详尽无遗，未提供PRISMA流程图，其范围和优先排序标准明确如下。
研究人员纳入了英文原始研究、系统综述、荟萃分析、有临床信息的叙述性综述、实践指南和方法学相关论文。按重要性大致顺序优先排序：（1）显示患者层面临床影响的前瞻性或实施研究；（2）跨多个中心或机构进行外部验证的模型；（3）采用通用数据模型实现跨机构比较的研究；（4）管理相关的工作流程和治理框架；（5）尚缺乏前瞻性等效研究的标志性方法学论文。排除了不含实质性方法的会议摘要、纯体外或临床前转化研究以及与抗生素毒性、药物警戒或RWE无关的论文。
**2.3 证据局限性声明**
药物警戒领域的AI文献在研究设计、结局定义、AI方法学、验证策略和报告标准方面存在显著异质性。绝大多数已发表模型是回顾性的，并在单一中心进行内部验证。性能指标常仅报告为受试者工作特征曲线下面积（AUROC），缺乏校准数据或决策曲线分析。本综述明确承认这些局限性，并试图在整个过程中区分技术预测性能、临床效用和实际实施获益。读者应以相应的谨慎态度解读关于AI在抗生素安全性监测中能力的声明。
**3. 当前证据与临床应用**
**3.1 高风险抗生素：安全性问题概述**
高风险抗生素的毒理学特征以可预测、暴露相关的损伤叠加不可预测的宿主因素为主。肾毒性仍是研究最广泛的问题。对于万古霉素，从基于谷浓度监测向基于浓度-时间曲线下面积与最低抑菌浓度比值（AUC/MIC）监测的转变，反映了累积暴露过度与急性肾损伤（AKI）之间的一致关联。万古霉素肾毒性在高日剂量、长时间治疗、肥胖、血流动力学不稳定以及合并使用肾毒性药物时更易发生，尤其是在危重患者中。重要的是，这些分析中的混杂因素严重：疾病严重程度、既往肾功能不全和竞争性肾毒性药物均独立预测AKI，其效应并不总是可与药物归因伤害区分。这一混杂挑战是AI模型必须明确解决而非忽视的问题。
氨基糖苷类和多粘菌素面临相同的操作挑战，但机制重点不同。氨基糖苷类通过肾皮质和耳蜗积累导致剂量限制性肾毒性和耳毒性，风险由累积暴露、谷浓度和个体易感性决定。多粘菌素相关肾毒性在治疗多重耐药革兰阴性菌感染中仍是主要安全性问题，发生在相当比例的治疗患者中，并常因重症监护病房（ICU）环境中合并使用其他肾毒性药物而加剧。两性霉素B虽为抗真菌药，却例证了经典的抗感染问题：强效疗效受限于肾毒性；它作为有用的比较对象，强调了配方意识安全性监测的重要性以及累积暴露指标的预测价值。
神经毒性对管理越来越重要，因为它常被误分类为脓毒症相关脑病或非特异性神经功能恶化。利奈唑胺在长期治疗中与外周和视神经病变、5-羟色胺毒性以及乳酸酸中毒相关，而甲硝唑可引起一种特征性但认识不足的脑病综合征，若及时识别可逆转。头孢吡肟是治疗指数较窄的β-内酰胺类药物的最清晰例子，其浓度相关神经毒性因肾功能不全而增强，表现为脑病、肌阵挛、失语或非惊厥性癫痫持续状态。这些药物相关的神经毒性正是AI工具可能具有临床价值的结果类型，因为EHR衍生的实验室趋势、肾功能轨迹、累积暴露数据和临床记录可能共同在明显症状出现前识别出高风险患者。
心脏毒性在不同抗生素类别间更具异质性。对于大环内酯类（尤其是易感患者中的阿奇霉素），关注点集中在QTc间期延长和心律失常风险，尽管人群层面风险估计适中且观察性数据中的残余混杂因素仍然显著。达托霉素与肌酸磷酸激酶升高、肌病和嗜酸性粒细胞性肺综合征相关，而非直接心脏毒性，但它在操作上仍属高风险，因为这些不良效应需要结构化生化监测，并可能在长期治疗或门诊肠外抗菌治疗（OPAT）期间出现。血液学毒性对噁唑烷酮类尤其相关：利奈唑胺相关血小板减少症通常在治疗一至两周后出现，在肾功能不全或基线血小板计数低的患者中发生更早，现已充分表征以支持风险预测和浓度引导的预防策略。肝毒性则说明了相反的药物警戒问题，即罕见但临床重要的特异性损伤。氟氯西林仍是胆汁淤积性肝损伤的明确原因，得到大型全国性数据的支持，而阿莫西林-克拉维酸是药物性肝损伤登记中最常涉及的抗生素之一。这些事件难以在个体层面进行前瞻性预测，这使其成为AI在大型上市后数据集中进行信号检测的有吸引力的目标，尽管从信号到临床干预的转化仍然有限。
**3.2 抗生素安全性监测中的人工智能方法**
图1提供了AI驱动的抗生素安全性生态系统概览。首先需要指出的是，当代药物警戒领域的AI文献包含根本不同类型的、不可互换的方法：经典机器学习（逻辑回归、随机森林、梯度提升）、深度学习（分层神经网络、Transformer架构）、自然语言处理（NLP，包括基于规则和神经方法）以及生成式大型语言模型（LLMs）。每种方法运作方式不同，具有不同的证据基础，并带来不同的实施考量。将其不加区分地统称为“AI”会掩盖重要的方法学差异。
真实世界证据来源于三个主要输入源：电子健康记录（结构化实验室、生命体征、用药和诊断数据，以及非结构化临床记录和出院小结）；自发报告系统（FAERS、EudraVigilance和Yellow Card计划）；以及数字健康工具（包括患者报告结局和门诊肠外抗菌治疗平台）。这些数据流通过一个中央人工智能集成中心处理，采用四种互补的方法学方法：自然语言处理用于从临床文本中进行不良药物反应提取和命名实体识别；机器学习用于从结构化变量进行肾毒性风险分层和毒性预测；因果推断和深度学习用于观察性数据中的混杂因素调整和信号验证；以及大型语言模型用于病例叙述摘要和药物警戒查询生成。临床输出包括：早期检测新的药物-事件对和毒性；治疗药物监测和贝叶斯剂量个体化以减少抗生素毒性并提高目标达成率；以及整合到抗菌药物管理仪表盘中的实时可解释临床警报。
用于个体毒性预测的机器学习模型通常使用结构化变量，如肾功能、年龄、累积药物剂量、合并肾毒性药物、实验室趋势和既往暴露史。这类模型已针对万古霉素相关肾毒性、多粘菌素肾毒性和利奈唑胺血小板减少症开发，这些系统通常表现出比简单基于阈值的规则更高的AUROC，因为它们整合了多个交互变量。然而，AUROC作为唯一的性能指标是不够的：校准（预测概率与观察结果之间的一致性）、决策曲线分析和净重分类也必须报告，以便评估模型的临床效用。许多已发表的抗生素AI模型对校准的报告不足，限制了判断其真实世界实用性的能力。
一个更根本的限制是单中心、内部验证模型的普遍性。本地EHR结构、处方集组成、给药惯例、实验室报告标准和文档文化在不同机构间差异显著。当在一个医院开发的抗生素AI模型被外部应用时，其性能常常下降。这种有限的可迁移性问题并非抗生素安全性领域独有，但在管理环境中尤为突出，因为路径涵盖急诊科、病房、重症监护病房（ICU）、门诊肠外抗菌治疗（OPAT）和再入院事件。在临床采用之前，跨多个中心的外部验证（理想情况下使用通用数据模型架构）应是最低要求。
自然语言处理具有价值，因为许多抗生素不良药物反应（ADRs）在结构字段编码之前首先记录在临床自由文本中。临床医生在叙述性记录、出院小结和事件报告中描述对头孢吡肟的困惑、利奈唑胺的刺痛感或β-内酰胺类后的皮疹，远早于诊断代码更新。针对不良药物事件检测的监督NLP的综述性研究表明，基于transformer的架构和集成系统可以在基准数据集上实现强劲性能，并且NLP可能有意义地增强从常规文档中检测抗生素相关安全性信号的能力。然而，在精心策划的基准上的性能并不能保证对本地EHR文本的泛化性，后者通常在结构、完整性和临床词汇方面存在差异。
深度学习通过学习难以手动指定的复杂表示特征来扩展NLP能力。分层递归网络和因果深度学习方法已应用于从EHR中提取不良药物事件，因果方法对抗生素尤其相关，因为肾毒性和神经毒性常发生于基线风险已因疾病严重程度而升高的患者。不考虑适应症、严重程度和竞争性肾毒性药物混杂因素的模型将产生既不可临床信赖也不可操作的预测。解决混杂因素并非技术改进；而是临床实用性的先决条件。
贝叶斯方法在抗生素安全性监测中保留着独特而重要的作用。在人群层面，用于从自发报告数据中生成信号的贝叶斯神经网络方法仍然是药物警戒方法学的里程碑。在患者层面，贝叶斯逻辑支撑着现代TDM和模型知情精确给药，其中测量的药物浓度用于更新先前的药代动力学估计，以个体化未来给药。结合不成比例方法、机器学习和专家定义贝叶斯网络的混合系统越来越多地用于优先排序信号或支持药物警戒中的因果关系评估。对于抗菌药物管理，临床医生已在平衡先验概率、测量浓度、器官功能和时间进程，贝叶斯方法在概念上与床边推理高度一致。
**3.3 用于基于AI安全性监测的真实世界证据来源**
基于AI的抗生素安全性监测受限于模型训练和评估所依据的真实世界证据来源的质量和完整性。电子健康记录（EHRs）是信息最丰富的来源，因为它们将用药记录与实验室趋势、微生物学、生理观察、临床记录和结局相结合。这种丰富性使其非常适合于暴露相关毒性，如万古霉素AKI、利奈唑胺血细胞减少和头孢吡肟神经毒性。通用数据模型方法（包括观察性医学结果合作伙伴关系（OMOP）实施）通过标准化跨机构编码来提高可移植性，近期关于预训练患者轨迹的研究表明，多中心不良药物事件预测在技术上变得更加可行。然而，EHR数据质量问题，包括时间戳保真度差、输液细节缺失、肌酐基线不稳定以及治疗终止原因记录不一致，仍是重大障碍，且无法通过应用更复杂的AI方法来解决。
自发报告系统仍然是人群层面信号检测的核心。美国食品药品监督管理局不良事件报告系统（FAERS）、欧洲监管网络内的EudraVigilance以及MHRA的Yellow Card计划各自提供了跨产品和管辖区的广泛上市后可见性。其优势包括规模大、对异常不良事件模式敏感，以及能够检测在单中心研究中不明显的罕见或延迟毒性。其局限性同样众所周知：漏报、重复或不完整提交、因果关系不确定、缺乏暴露分母以及报告者专业水平的显著异质性。这些局限性并不否定自发报告系统的价值；而是解释了为什么AI方法越来越多地叠加于这些数据源之上，以支持信号优先排序、去重和分层审阅。基于FAERS的不成比例分析已表征了抗葡萄球菌青霉素类的安全性信号，而EudraVigilance分析已探索了与抗生素相关的持续性感觉不良事件。这些分析生成假设，而非因果结论。
行政数据和索赔数据库为RWE贡献了不同维度。它们通常在实验室定义毒性方面不如EHR精细，但对于延迟结局、医疗资源利用、治疗中断和多机构比较安全性分析有用。跨来源三角验证（结合EHR数据获取临床细节、行政数据获取人群覆盖、自发报告获取信号敏感性）代表了最可能支持可信赖AI驱动药物警戒的分析框架。这一原则符合RWE科学中的监管期望，并直接适用于抗菌药物管理环境。
可穿戴设备和远程监测是抗菌安全性中最不成熟的RWE来源，但其相关性正在增长，尤其对于门诊肠外抗菌治疗（OPAT）。远程OPAT研究表明，远程接触可通过结构化护士主导的审查、不良事件提示和实验室结果分诊来支持安全性监测。对于高风险抗生素，近期最合理的应用包括远程监测发热、心率、症状负担、输液依从性和患者报告警示信号，并结合定期实验室监测。目前关于抗生素特异性可穿戴算法的证据非常有限，其在此背景下的临床效用尚未经过前瞻性评估。
**3.4 高风险抗生素治疗药物监测中的人工智能**
人工智能在抗生素安全性监测的一个领域中最具临床基础：治疗药物监测（TDM）和剂量个体化。这是现有证据最强、临床获益最可信、实施最先进的领域。万古霉素是最成熟的例子。修订后的指南推荐AUC引导给药，反映了累积暴露过度与肾毒性之间的一致关联，以及仅监测谷浓度的不足。贝叶斯预测平台使用群体药代动力学模型和稀疏的患者层面浓度测量来估计个体药物暴露，比较评估显示模型性能在不同患者人群和临床环境间存在显著差异，强调了本地验证而非不加批判的软件采用的重要性。
前瞻性和实施研究表明，模型知情精确给药可能提高万古霉素目标达成率，并可能改善临床结局，尽管后者的证据不太一致。在重症监护、儿科和综合医院实践中的验证研究表明，在药剂师和标准化采样工作流程支持下，贝叶斯工具在常规护理中是可行的。关键是，这些工具转移了安全干预的时间窗口：与其等待血清肌酐明显升高，它们允许临床医生识别有肾毒性暴露风险的患者并更早调整治疗。这是AI驱动的TDM与管理之间操作上重要的界面：不是替代临床判断，而是更早识别和预防可避免的毒性。
氨基糖苷类代表了抗感染药理学中贝叶斯给药的历史基础。核心逻辑——使用测量浓度和患者特定参数更新药代动力学估计并指导后续给药——在现代模型知情精确给药框架中仍然高度相关。β-内酰胺类TDM虽实施较少一致，但在改善危重患者目标达成率以及避免高暴露药物（如头孢吡肟）毒性方面显示出前景。对于利奈唑胺，新兴的药理学和荟萃分析证据表明，暴露引导给药可能降低血小板减少症的发生率，鉴于某些适应症所需的长时间治疗过程，这是一个重要的临床发现。
机器学习通过将药理学模型与灵活的毒性风险预测相结合，为TDM增加了额外层次。近期研究已使用机器学习从AUC和临床协变量预测万古霉素相关肾毒性，以及从结构化EHR数据预测多粘菌素肾毒性。关键的解读要点是：机器学习不太可能取代建立在经过良好验证的药代动力学理论之上的贝叶斯TDM。更现实的未来是一种混合架构，其中药代动力学模型估计药物暴露，而机器学习将这种暴露转化为动态的、患者特定的毒性风险估计。表1总结了跨抗生素类别的代表性AI驱动安全性监测策略。图2呈现了整合这些组件的代表性临床工作流程。
该工作流程跨三个连续阶段运行。第一阶段整合来自电子健康记录的实时患者状态和临床病史（实验室结果、生命体征、用药记录、治疗药物监测结果和临床记录）、患者背景数据（人口统计学、合并症、用药史和肾功能）以及数字健康和门诊肠外抗菌治疗（OPAT）数据（远程监测、可穿戴设备和患者报告结局）。第二阶段通过两条并行计算路径应用混合人工智能和药理学分析：路径A使用包含最后一次剂量、血清药物水平和血清肌酐的药代动力学模型生成AUC和药物暴露估计，并推导剂量建议；路径B应用机器学习和数据驱动预测器，利用经自然语言处理处理的临床病史、合并用药和患者生命体征生成毒性风险预测。两条路径汇聚于混合人工智能决策引擎。第三阶段将分析输出转化为四个临床决策支持和警报通道：临床医生仪表盘（显示肾毒性量表、AUC和当前药代动力学模型输出）、门诊肠外抗菌治疗（OPAT）和远程警报（标记异常实验室值和患者报告症状变化）、多学科审查（涉及负责临床医生、药剂师和抗菌药物管理负责人）以及药剂师主导的干预（包括剂量调整和替代药物选择）。
**表1. 高风险抗生素的代表性AI驱动安全性监测策略**
（表格内容省略，因要求避免表格形式回复，故不呈现表1具体内容，但指出原表存在）
**4. 讨论**
**4.1 临床效用与预测性能**
在AI药物警戒文献中常被模糊的一个根本区别是预测性能与临床效用之间的差异。一个模型可能表现出0.85的AUROC，但如果它产生过多的假阳性警报、对临床医生不可解释、无法整合到现有工作流程中，或预测结局太晚以至于无法采取预防措施，则对患者护理毫无意义。必须带着这一区别来解读抗生素AI安全性监测的现有证据。大多数已发表模型仅基于区分度指标进行评估，缺乏校准数据、决策曲线分析、警报疲劳评估或前瞻性影响研究。
警报疲劳在管理背景下是一个特别重要的担忧。抗生素处方者和药剂师已处理大量临床决策支持警报，其中许多被毫无有意义参与的覆盖。一个产生大量低特异性毒性警告的AI模型不会改善安全性；它会减少临床医生对所有安全性警报的参与。AI驱动的抗生素监测工具的设计应明确针对定义临床人群的高阳性预测值，并明确警报生成和沟通的阈值。可解释性——识别哪些临床变量驱动预测的能力——在此背景下并非可选：它对于临床信任以及检测模型错误或偏倚都是必要的。
工作流程整合与可解释性密切相关。要求临床医生查阅单独平台、重新输入数据或解读不透明分数的AI工具不太可能被采用。抗菌药物管理中最成功的临床决策支持实施案例是那些直接嵌入EHR工作流程、TDM咨询服务或药剂师主导审查过程的工具。抗生素AI安全性监测工具应遵循相同的整合原则：它们应在正确的临床决策点向正确的临床医生提供可操作信息，而非产生需要额外努力来解读和采取行动的背景分数。
**4.2 实施障碍与机遇**
临床实施的主要障碍不是算法性能，而是数据质量。抗生素毒性是时间依赖和背景依赖的。血清肌酐轨迹比单一值更具信息量；血小板趋势比孤立计数更重要；叙述性记录常在编码诊断输入之前就记录了毒性前兆。基于EHR的不良药物事件预测的系统综述显示特征工程、结局定义、验证策略和报告性能指标方面存在广泛异质性，这使得转化为常规实践变得复杂。对于抗生素安全性，时间戳保真度差、输液管理记录缺失、肌酐基线不稳定以及治疗终止原因记录不一致是反复出现的障碍，仅靠AI方法无法克服。
互操作性代表一个密切相关的挑战。在单一医院训练的模型部署到其他地方时常常失败，因为处方集组成、实验室报告标准、给药惯例和文档文化在机构间差异显著。通用数据模型倡议部分解决了这一问题，多中心EHR学习系统和联邦学习架构的出现是一个令人鼓舞的发展。即便如此，外部验证在已发表的抗生素AI研究中仍是例外而非规则，并且缺乏系统基准测试框架来允许跨模型、机构或患者人群的性能比较。临床药理学家和管理团队应对仅得到内部验证的模型持明确怀疑态度，尤其是当其预期部署环境与开发环境不同时。
监管环境正朝着与实施相关的方向演变。近期美国食品药品监督管理局（FDA）指南提出了用于药物和生物制剂安全性监测的AI模型基于风险的可信度框架，强调使用背景、数据来源、验证要求和生命周期治理。欧洲药品管理局（EMA）关于AI在整个药物产品生命周期中的反思文件同样强调人类监督、偏倚控制、数据治理、文档记录和适用性目的。欧盟人工智能法案（EU AI Act）为用于高风险环境（包括医疗保健）的AI系统引入了额外的风险分层要求。对于部署在护理服务中的抗生素安全性监测工具，实际信息一致：这些工具应从开发之初就作为安全关键软件进行治理，而非被视为可延迟治理的通用分析实用程序。
因此，可解释性和可说明性是整体要求，而非技术改进。临床医生不太可能基于不透明算法分数来修改必要的抗感染治疗，尤其当适应症严重时（如假体关节感染、心内膜炎或持续性菌血症）。应用于药物警戒的可解释AI方法表明，特征归因方法可以识别哪些临床变量最强地驱动不良结局预测，从而支持临床合理性评估。在抗生素实践中，一个将肾功能轨迹、累积药物暴露、血管加压药需求和合并肾毒性药物识别为肾毒性风险主要预测因子的模型是临床可理解且可操作的。不提供这种可解释性的模型将无法获得持续的临床采用。
尽管存在这些障碍，仍存在有意义的机会，尤其是在现有的管理基础设施中。临床药理学家、传染病医生、管理药剂师和护理人员已经在常规护理中作为人类监督层运作：他们协调药物暴露数据与微生物学结果、器官功能趋势和治疗目标。旨在支持而非替代这一过程（通过使安全性监测更系统化、更早期和更个性化）的AI工具可以嵌入到已存在的结构中。万古霉素TDM查房、抗菌药物管理（AMS）授权工作流程、门诊肠外抗菌治疗（OPAT）实验室审查诊所和多学科管理会议是自然的整合点，因为它们已涉及结构化审查和负责任的决策制定。
门诊肠外抗菌治疗（OPAT）环境值得特别强调。高风险抗生素毒性常在出院后出现，此时临床观察较少，归因延迟数天或数周。前瞻性OPAT研究记录到不良药物事件常见，常在出院后第一周内发生，并尤其常见于万古霉素和达托霉素。远程OPAT和远程实验室监测改善了安全性可见性，但OPAT中的抗生素安全性监测仍高度依赖于碎片化、手动协调的工作流程。该环境非常适合精心治理的AI支持，特别是用于优先排序异常实验室结果、识别近期风险最高的患者，以及与管理与临床药理学服务合作支持剂量调整决策。
**4.3 大型语言模型在抗生素安全性监测中的机遇与局限性**
大型语言模型（LLMs）因处理、总结和生成自然语言的能力而在抗生素药物警戒中引起了广泛兴趣，但它们在抗生素安全性监测中的具体作用必须谨慎定义，当前的热情应基于对其局限性的清晰评估而有所节制。
区分LLMs与上述其他AI方法至关重要。经典机器学习和深度学习模型在结构化或高维临床数据上训练以预测定义结局，监督NLP模型从标记临床文本中提取和分类信息；而生成式LLMs则在大量通用文本语料库上训练以预测合理的语言，而非针对抗生素特异性临床结局或药理学数据，其输出不具备训练预测模型相同的统计基础。这一区别直接影响了LLMs在抗生素安全性监测中应如何验证、部署和治理。
LLMs在抗生素安全性监测中的风险显著且尚未通过现有保障措施解决。幻觉——生成听起来合理但事实上不正确的输出——是一种有记录且未完全缓解的行为，LLMs已被证明会编造药物相互作用、捏造参考文献和错误归因不良事件频率。提示不稳定性限制了可重复性，训练语料库中的隐藏偏倚可能引入从表面输出中不明显的系统性错误，而自动化偏倚（对听起来权威的输出不加批判地遵从的倾向）对于时间紧迫的抗生素处方决策尤为令人担忧。将患者可识别信息提交给外部托管的LLM服务会带来隐私和数据泄露风险，LLM生成建议的医疗法律问责仍未解决，且LLM作为临床决策支持工具的监管框架目前尚不完善。
LLMs在抗生素安全性监测中最可信的近期待遇是在专家监督下进行行政和认知工作流程加速，而非自主毒性裁决。高置信度用例包括总结自发报告的病例叙述、为药物警戒证据管道生成结构化数据库查询、按严重性分诊传入的不良事件报告、以及协助从临床记录中进行药物-事件关系的一级提取（需经专家验证）。早期证据表明LLMs可以协助生成药物警戒工作流程的SQL查询，并可能在叙述性病例报告中检测药物-药物相互作用，达到与药剂师审查相当的水平，尽管这些发现需要在抗生素特定环境中进行复现和前瞻性验证。LLMs不应部署于无监督因果关系评估、自主安全性信号确认或生成临床建议，而无需强大的人类监督。
**4.4 未来研究重点**
AI驱动的抗生素安全性监测中最重要进展将需要系统性的证据质量改进，而非模型架构的增量式改进。一个专门的研究议程应关注以下重点。
多中心前瞻性验证。当前大多数已发表的抗生素AI模型从未在前瞻性环境中或在其开发机构以外的环境中进行过测试。前瞻性验证研究，特别是那些衡量对患者结局影响而非仅模型区分度的研究，是该领域最重要未满足的需求。
联邦学习。鉴于中心化模型训练的互操作性和数据治理约束，允许医院在分布式数据集上训练共享模型（无需共享患者层面数据）的联邦学习架构，是抗生素安全性AI逻辑上且及时的方问。抗生素特异性联邦应用仍然稀少，但使用现有通用数据模型基础设施在技术上可行。
统一结局定义。各研究在肾毒性、神经毒性、血小板减少症及其他抗生素不良药物反应（ADRs）定义上的异质性严重限制了跨研究可比性和荟萃分析综合。由临床药理学家、管理专家和生物统计学家合作制定的最重要抗生素毒性共识结局定义，是有意义证据积累的前提。
实施和实用性试验。衡量AI辅助监测对临床有意义结局（包括识别毒性时间、剂量修改率、住院时间和患者报告结局）影响的前瞻性实施研究，对于确定这些工具是否在现有管理实践之外增加价值至关重要。
管理整合研究。优化AI工具在现有管理工作流程、TDM服务、门诊肠外抗菌治疗（OPAT）诊所和多学科查房中的嵌入，需要专门解决人为因素、警报设计、工作流程中断和治理的实施研究。
可解释性框架。开发并验证适用于抗生素安全性预测任务的可解释性方法（包括特征归因、对比解释和不确定性量化），将是在高风险临床决策中负责任地部署这些工具之前所必需的。
基准测试标准。标准化基准测试平台的缺失妨碍了跨研究和机构的抗生素AI模型公平比较。类似于TRIPOD的报告标准应由该领域的期刊采用并强制执行。
**5. 结论**
高风险抗生素处于治疗必要性与可预防伤害的交汇点。近期一篇叙述性综述广泛讨论了AI在感染管理中的应用，而本综述则专门聚焦安全性监测和药物警戒。现有证据表明，在特定条件下AI可能改善安全性监测：当应用于临床丰富真实世界数据时，当针对明确定义的临床问题（如肾毒性预测、从临床记录中提取不良事件、贝叶斯剂量优化或门诊肠外抗菌治疗（OPAT）监测）时，以及当嵌入现有管理和药理学工作流程而非作为独立预测系统部署时。
近期最强用例是临床监督、可解释的工具，整合到治疗药物监测（TDM）服务、管理仪表盘和门诊肠外抗菌治疗（OPAT）审查流程中，而非自主决策者。证据基础主要为回顾性、大部分为内部验证，且对患者结局的关注不足，而非模型性能指标。前瞻性实施数据稀少，且断言AI在跨不同临床环境的常规实践中当前改善了抗生素安全性为时过早。
对于政策和实践，其含义是医院应优先选择可验证、可解释、与抗生素治疗药物监测（TDM）、实验室监测和抗菌药物管理（AMS）治理框架相关联的AI，而非采用其性能在特定环境中未知的通用预测工具。AI作为安全关键软件的监管框架正在快速演变，抗生素安全性工具应从一开始就在这些框架内开发。临床药理学家、传染病医生和管理药剂师处于有利位置来领导本地实施、验证和治理，因为他们已管理AI旨在支持的临床决策。
该领域现在需要多中心前瞻性研究、严格的外部验证、统一结局定义以及跨住院和门诊肠外抗菌治疗（OPAT）环境的实用性实施研究。如果这些条件得到满足，AI最终可能将抗生素药物警戒从对已确立毒性的延迟识别推向预期性、患者特定的安全管理。然而，从承诺到已证明临床效用的过渡，需要与其他任何临床干预相同的严谨性。
