人工智能在药物警戒中的整合:系统综述

《Research in Social and Administrative Pharmacy》:Integration of artificial intelligence into pharmacovigilance: A systematic review

【字体: 大 中 小 】 时间:2026年10月11日 来源:Research in Social and Administrative Pharmacy 3.4

编辑推荐:

   摘要背景机器学习(ML)领域的最新进展推动了人工智能(AI)在药物警戒(PV)中的应用。多项研究表明,这些技术可能有助于解决药物警戒中的关键挑战,包括报告不足、人工病例处理和信号检测延迟等问题。目的本次系统综述旨在梳理人工智能/机器学习在上市后药物警戒各环节中的应用,描绘其方

  

摘要

背景

机器学习(ML)领域的最新进展推动了人工智能(AI)在药物警戒(PV)中的应用。多项研究表明,这些技术可能有助于解决药物警戒中的关键挑战,包括报告不足、人工病例处理和信号检测延迟等问题。

目的

本次系统综述旨在梳理人工智能/机器学习在上市后药物警戒各环节中的应用,描绘其方法论和地理分布趋势,并识别外部验证和实施准备方面存在的证据缺口。

方法

依据PRISMA 2020和人群、概念、情境(PCC)框架,检索了2021年1月至2024年10月期间的八个文献数据库,并辅以灰色文献和参考文献列表筛选。共纳入六十七项研究。两名评审员独立进行筛选、数据提取和质量评价,由第三名评审员核对提取结果。采用APPRAISE-AI评估方法论质量,并使用GRADE原则评价证据确定性。

结果

安全信号检测是最常见的应用领域(50.5%),其次为不良反应预测(21%)、病例处理效率(15%)、药物-药物相互作用检测(7.5%)和高风险患者识别(6%)。XGBoost和集成方法在结构化数据应用中占主导地位,而BERT系列Transformer模型在非结构化文本处理中占据优势。然而,外部验证是APPRAISE-AI评估中最薄弱的领域(平均得分52%),前瞻性实施研究极为稀少。

结论

人工智能展现出将药物警戒从被动响应转变为主动预防的显著潜力。然而,现有证据多为回顾性研究,外部验证有限且缺乏真实世界实施案例。尽管BERT和XGBoost在信号检测中表现良好,但方法论的异质性限制了关于可推广性和临床影响的结论。将人工智能负责任地融入安全监测工作流程需要严格的独立验证、前瞻性人工参与评估、标准化性能指标和具有地理代表性的数据集。同时,数据隐私、算法公平性、人工监督以及监管要求等问题也至关重要。因此,未来研究应侧重于稳健的验证和真实世界实施,以确保人工智能能够转化为可靠且具有临床意义的患者安全改进。

引言

药物警戒(PV)涵盖不良药物反应(ADR)及其他药物相关问题的发现、评估、理解和预防。1 尽管已有成熟的自发报告制度和监管流程,但药物警戒仍受限于报告不足、病例信息缺失或延迟、重复报告、语言不一致以及组织和非结构化安全数据量的不断增长。人工录入病例、编码、分诊、文献监测和信号审查等资源密集型流程可能导致新出现的风险被忽视。2, 3, 4 由于这些限制,对于能够促进更早期、更可靠地检测信号、提高数据质量并补充而非取代专家评估的可扩展方法,仍存在迫切需求。
人工智能(AI)广泛指能够执行与人类智能相关任务的计算系统;机器学习(ML)是人工智能的一个子集,其中的算法从数据中学习模式;深度学习使用多层神经网络,而自然语言处理(NLP)则允许分析人类语言。5, 6, 7, 8, 9 在药物警戒中,这些方法可以支持不良事件提取、重复检测、病例优先级排序、编码、风险预测、文献筛查和信号管理,涵盖自发报告、电子健康记录(EHR)、生物医学文献和社交媒体等多个数据源。3,4,10 这些技术的优势在于能够快速处理大量多样的数据集,但其可靠应用取决于代表性数据、透明验证、人工监督和监管流程的整合。
已有若干综述探讨了人工智能/机器学习在药物警戒中的应用,但每项综述均存在重要的范围局限。Kompa等人提供了关于机器学习应用与机遇的广泛范围综述,而Pilipiec等人则主要聚焦于ADR识别的计算语言学方法,纳入了16项研究。11,12 Salas等人绘制了截至2020年患者安全活动中的AI应用图谱。Saleh等人总结了仅有九项研究的小样本数据。13, 14 近期,Dsouza等人专门关注住院患者ADR的预测。15 因此,近期上市后的证据仍缺乏充分的综合。需要更新综述以反映当前的进展,包括鉴于AI技术的快速增长尤其是BERT和大型语言模型等基于Transformer的架构的广泛应用而出现的模型选择时间变化、地理分布、数据来源、药物警戒功能、AI特异性的方法学质量、外部验证以及实施准备情况。这些维度构成了本综述所解决的认知空白。
因此,本次系统综述的目标是:(1)梳理人工智能/机器学习在上市后药物警戒功能和数据来源中的应用;(2)描绘2021年至2024年10月期间的时效性、地理性和方法学趋势;(3)总结报告的性能和运营成果;(4)评估AI特异性的方法学质量和证据确定性;(5)识别外部验证、监管采纳和真实世界实施的障碍。

章节摘要

方法

本系统综述按照PRISMA 2020指南进行。16 检索时间范围为2021年1月至2024年10月。预设2021年为起始时间,旨在聚焦于2020年之后的当代AI驱动药物警戒阶段,包括基于Transformer的NLP日益突出的作用和真实世界自动化的发展,同时与早期综述形成互补而非重复,因为这些早期综述已经综合了此前的大量文献。11,12,14 截止日期并不意味着AI在……中的应用

结果

检索共识别出1388条记录。去除重复后,剩余890条唯一记录。通过标题和摘要筛选排除了746条记录,剩余144篇文献进行全文评估。其中,纳入了67项研究 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 36, 37, 38, 39, 40, 41, 42, 43, 44,45, 46, 47, 48, 49, 50, 51, 52, 53, 54, 55, 56, 57, 58, 59, 60, 61, 62, 63, 64, 65, 66,67, 68, 69, 70, 71, 72, 73, 74, 75, 76, 77, 78, 79, 80, 81, 82, 83, 84, 85, 86, 87, 88 以及77项被……

主要发现概述

本综述表明,尽管当前AI-PV研究广泛,但其方法学不一致。大多数研究使用自发报告数据库、电子健康记录、社交媒体或生物医学文本进行信号识别、ADR预测或病例处理活动。虽然时间趋势并非单调递增,但Transformer在2024年在非结构化文本应用中达到了最大的比例代表,而集成方法在……领域继续保持主导地位

结论

AI/ML可以通过支持信号检测、ADR提取与预测、药物-药物相互作用评估、文献监测以及跨多种数据来源的病例处理效率来增强药物警戒。XGBoost及相关集成方法在结构化数据中常见,而BERT系列Transformer在基于文本的应用中占据主导地位。然而,报告的性能存在异质性,且通常依赖于内部回顾性验证。因此,核心证据缺口在于……

CRediT作者贡献声明

Iman El Sayed:撰写——审阅与编辑,监督,方法论,调查研究,数据整理,概念化。Ramez Naguib Bedwany:撰写——审阅与编辑,监督。Mai Salama:撰写——初稿,可视化,软件,方法论,形式化分析,数据整理,概念化。Ahmed Said Hassan Eltrass:撰写——审阅与编辑,监督。

伦理批准与参与同意

无需获得。

数据与材料可获得性

本研究中综合或分析的所有数据均包含在本文中。

资金支持

本研究未获得公共、商业或非营利部门资助机构的任何专门拨款。

利益冲突声明

作者声明不存在利益冲突。
Iman El Sayed|Ramez Naguib Bedwany|Mai Salama|Ahmed Said Hassan Eltrass
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号