Page 116 - 《中国药房》2025年10期
P. 116

用药风险进行精准预测，不仅有助于识别高风险个体，                            险 [10―11，13] 。总体而言，目前已报道的用药风险预测模型
          减少 DRPs 的发生，还可以优化临床决策，提高医疗质                         的临床适用性欠佳，仍有待开发更精准、高效的用药风

          量，保障患者用药的安全性。系统评价用药风险预测模                            险预测模型。
          型，不仅为临床工作者提供了基于证据的风险防控工                             3.4 成人住院患者用药风险预测模型的预测因子
          具，帮助其更好地识别当前用药风险预测模型中存在的                                本研究对各模型中的用药风险预测因子进行汇总，
          不足，而且还能指导改进现有模型，促进住院患者用药                            得到31个预测因子，数量总体偏少，尤其是检验指标仅
          风险管理从传统的经验驱动模式向更加科学的数据驱                             3 个，且只重点关注了肝、肾功能及白细胞计数；而血小
          动范式转变。                                              板计数、电解质、降钙素原等其他相关指标是否能预测
          3.2 成人住院患者用药风险预测模型的总体情况                             DRPs 还有待更多的研究证实。此外，不同患者人群的
              本研究共检索到12个预测模型，约一半的模型适用                         用药风险特征可能存在显著差异，如有研究发现，新生
          于老年人群或慢病患者，其原因可能为老年人群或慢病                            儿胎龄、神经系统、心脏和肾脏疾病、奥美拉唑和多种抗
          患者的多重用药现象较为常见，面临更高的用药风                              感染药物的使用等与ICU新生儿的DRPs发生风险增加
            [17]
          险 。然而，值得注意的是，本研究尚未发现专门针对                            相关 ；而孕妇年龄较低、胎龄较低、有药物过敏史、处
                                                                  [20]
          ICU患者的用药风险预测模型。实际上，由于ICU患者                          方药物数量等是妊娠期高血压和妊娠期糖尿病患者发
          常伴有器官功能衰竭、血流动力学不稳定等复杂病理状                            生DRPs的重要危险因素 。这些研究表明，DRPs的风
                                                                                   [21]
          态以及接受多种药物的特点，导致其更容易出现DRPs。                          险因子具有高度的人群特异性。然而，现有预测模型多
          对于ICU患者而言，迫切需要开发更为精确有效的用药                           基于单一或有限人群数据开发，其纳入的预测因子可能
          风险预测模型。                                             无法充分反映其他群体的独特风险特征。因此，本研究
                                       [5]
              另外，本研究发现，Urbina 等 的模型以评分展现，                     得到的预测因子可能并不完全适用于所有患者。为了
                  [10]
          Geeson等 的模型开发了数据录入界面，Kaufmann 等                [8]
                                                              提高用药风险预测模型的适用性和准确性，未来的研究
          的模型以患者问卷的形式呈现。与传统回归方程相比，
                                                              需要结合具体患者人群的特点，进一步验证和优化预测
          这些模型的应用形式提高了临床使用的便捷性和实用
                                                              因子及模型。
          性。但本研究仅追踪到1个模型有进一步的临床应用，
                                                              3.5 本研究的局限性
                              [7]
          即 2018 年 Ferrández 等 的研究结果为 2014 年 Urbina
                                                                  本研究存在一定的局限性：（1）由于本研究纳入了
            [5]
          等 报道的模型的大样本验证。本研究未追踪到其他模
                                                              不同疾病患者的用药风险预测模型，其建模方法、模型
          型有进一步临床应用的文献发表，其原因可能为研究者
                                                              评价等结果的异质性较大。因此，仅对纳入研究结果进
          未做后续研究，或正在进行模型后续研究但尚未发表，
                                                              行定性分析。（2）纳入研究的用药风险预测模型的适用
          或后续研究以其他形式传播等。
                                                              人群可能存在局限性，用药风险预测因子可能不适用于
          3.3 成人住院患者用药风险预测模型的质量评价
                                                              所有患者。（3）本研究未纳入仅探讨 DRPs 影响因素（未
              在模型构建及预测性能方面，纳入研究的建模方法
                                                              构建预测模型）的研究，这些研究报道的潜在风险因子
          以 Logistic 回归算法为主，模型的 AUC 为 0.65～0.865，
                                                              可能未被现有模型充分整合，从而影响预测变量的全
          该结果可能与 Logistic 回归在特征数量较多的情况下，
                                                              面性。
          因无法捕捉到数据中的复杂关联，容易出现欠拟合有
                                                              4 结语
          关。未来的研究可以尝试决策树、随机森林、朴素贝叶
          斯、神经网络等多种机器学习算法               [18―19] ，考虑将机器学           本研究系统梳理了成人住院患者用药风险预测模
          习算法与传统临床经验相结合，构建更为准确、高效的                            型的研发现状，发现现有模型虽能通过年龄、合并症、用
          用药风险预测模型。                                           药种类等基础指标初步预测风险，但其方法学质量与临
              本研究中，偏倚风险评估结果显示，纳入研究整体                          床应用价值仍受限于高偏倚风险及缺乏外部验证。未
          质量为高风险的比例较高，仅 Geeson 等 研究为低风                        来研究可从以下方面开展：（1）开展多中心、前瞻性队列
                                             [10]
          险。分析发现，该研究的数据处理方法较为严谨，保持                            研究，明确模型在不同医疗场景下的泛化能力；（2）探索
          了变量的连续性，并使用多重插补和截断法进行数据清                            人工智能技术的应用潜力（如深度学习对复杂非线性关
          洗；同时，该模型对患者的用药风险进行了分级预测。                            系的捕捉），以构建动态、精准的用药风险预警体系，最
          临床适用性评估结果显示，仅 3 项研究为低适用性风                           终实现从“被动干预”到“主动防控”的转化。


          · 1258 ·    China Pharmacy  2025 Vol. 36  No. 10                            中国药房  2025年第36卷第10期
   111   112   113   114   115   116   117   118   119   120   121