Page 116 - 《中国药房》2026年1期

[9]
收集 ADRs 数据，有助于发现罕见的或长期用药后才出 表现优异 ；对于需要融合多模态数据的复杂任务，图神
[10]
现的ADRs信号。然而，该系统存在上报率低、数据质量 经网络等模型则具有更稳健的预测性能 ；对于严重的
[4]
参差不齐等问题 。研究表明，严重程度较轻、症状不典 ADRs，XAI 可明确 ADRs 的风险因素、提升预测模型的
[5]
[11]
型的 ADRs 容易被漏报 。此外，传统的人工观察和治 临床解释能力 。此外，在临床转化层面，不同靶器官
疗药物监测（therapeutic drug monitoring，TDM）虽然能 ADRs 预测模型也面临不同挑战：肾脏与肝脏 ADRs 预
提供更为直接的临床或实验室证据，但其主观性、滞后 测模型需要解决的难点在于如何从多病因中识别此类
性仍制约了ADRs的早期防控。 ADRs 是否为药物源性；心脏、骨髓 ADRs 因其进展迅
近年来，随着信息技术的飞速发展，医疗领域逐步 速，对预测模型的时效性提出了更高的要求；一些罕见
建立并规范了电子病历系统。面对海量临床数据，机器 且严重的 ADRs 则需要解决小样本量带来的拟合度高、
学习可从电子病历、实验室检测结果、药物处方等信息 泛化能力差等问题。基于此，笔者将围绕不同靶器官
中识别潜在的 ADRs 信号，并深入挖掘患者复杂的临床 ADRs 预测模型的方法学特征与临床转化挑战，对现有
特征及用药规律。这意味着机器学习能对患者的诊疗 研究进展进行梳理和归纳总结。
信息进行实时监测，在ADRs发生的早期发出预警，大幅 2.1 肾脏ADRs预测
[6]
缩短监测周期 。同时，机器学习由于具有客观性强、一 急性肾损伤（acute kidney injury，AKI）是一种以肾
致性好且不易受人为因素干扰的优势，其较传统监测方 脏排泄功能在数小时至数天内丧失为核心，以水-电解
法能更准确地识别 ADRs，为临床 ADRs 的管理与决策 质、酸-碱平衡紊乱为特征的临床综合征 。当前，临床
[12]
[7]
提供了强有力的支持 。基于此，本文通过梳理近年来 对AKI的监测主要依赖于人工驱动的多级体系，包括基
国内外的相关文献，对机器学习在 ADRs 预测中的应用 于自发呈报系统的被动病例上报、血肌酐水平及尿量的
进展进行综述，以期为 ADRs 相关工作的开展及临床个 动态监测以及电子病历的阈值预警机制等。然而，上述
体化用药的完善提供参考。 体系仍存在一定局限性：一方面，自发呈报系统的高漏
1 机器学习的概述 报率易导致ADRs信号捕获延迟；另一方面，传统肾损伤
根据学习方式的不同，机器学习可被分为监督学 的生物标志物浓度通常需在肾功能下降幅度为 25%～
习、无监督学习和半监督学习等 。在ADRs预测领域， 50% 时，才会发生具有临床诊断意义的显著改变。因
[8]
集成学习算法凭借其对高维度、不平衡的临床数据的高 此，探索可突破自发呈报系统漏报局限、克服传统生物
效处理能力，可实现对临床多源异构数据的整合、ADRs 标志物检测滞后性的早期预测方法，已成为临床亟待解
关键特征的提取以及高精度预测模型的开发 ；深度学 决的关键问题。
[9]
习可对电子病历中的动态时序特征进行挖掘，捕捉 目前，已有多项研究利用机器学习开发了AKI预测
ADRs 与临床特征和用药规律之间的复杂非线性关 模型，如Kim等 利用逻辑回归方法构建了万古霉素相
[13]
系 ；可解释性人工智能技术（explainable artificial intel‐ 关AKI的风险评分系统；Yang等 利用梯度提升机算法
[10]
[14]
ligence，XAI）可揭示预测模型的决策依据，增强预测模 实现了对患者异常血肌酐水平（血肌酐水平升高可提示
[11]
[15]
型结果在临床实践中的可信度与实用性 ；这些机器学 AKI）的早期预测；Zhang 等 利用极端梯度提升（ex‐
习方法为ADRs的预测研究奠定了坚实的基础。 treme gradient boosting，XGBoost）和梯度提升机算法分
2 机器学习在不同靶器官ADRs预测中的应用 别预测了阿米卡星和依替米星相关的 AKI 风险。值得
在 ADRs 预测研究中，机器学习通常遵循数据集构 注意的是，AKI预测模型的性能优化不仅依赖于算法的
建、特征筛选、模型开发验证及临床解释这一标准流程。 选择，还与特征工程的处理和质量的把控密切相关，高
机器学习在不同靶器官 ADRs 预测中，主要依赖于从临 质量的特征工程处理是提高模型泛化能力和临床解释
[16]
床数据中提取复杂非线性关系以构建预测模型，利用高 能力的关键。Huang 等 研究证实，包含多组学特征的
效处理能力筛选与 ADRs 相关的关键特征，通过集成学 人工神经网络模型对铂类药物肾毒性的预测性能最优，
习、深度学习等优化模型结构。然而，机器学习在不同 受试者工作曲线下面积（area under the receiver operating
[17]
靶器官 ADRs 预测中仍存在一定差异：（1）不同靶器官 characteristic curve，AUROC）为 0.91；Yu 等 研究发现，
ADRs 预测模型依赖于相应靶器官的可量化生物标志 在免疫抑制剂相关AKI预测模型中，纳入16个关键特征
物，如对肾脏ADRs需关注血肌酐的变化，对心脏ADRs 的简化模型较包含 38 个因子的复杂模型表现更优
[18]
需融合心电图等多模态数据。（2）不同靶器官ADRs预测 （AUROC 提升 7.2%）；Miao 等 利用机器学习明确了患
模型的最优算法根据临床应用场景的不同也存在差异， 者的基线肾功能水平是其接受心脏手术后非甾体抗炎
如对于特征维度较高的预测任务，梯度提升决策树模型 药相关AKI预测的关键特征，并解释了该特征的临床重

· 106 · China Pharmacy 2026 Vol. 37 No. 1 中国药房 2026年第37卷第1期