Page 119 - 《中国药房》2026年3期

由图 4 可以看出，该组所有药品的用量均无明显季 结果显示，DMDC 模型的精确率（60.7%，17/28）显
节性变化趋势。其中，阿托伐他汀钙片（国家集采中选 著高于环比增长率排序法（8.3%，3/36），差异具有统计
2
药品）用量呈现显著上升趋势（P＜0.001，S′＝32），阿托 学意义（χ ＝20.114，P＜0.001）；同时，其召回率（85.0%，
伐他汀钙片（同通用名非中选药品）用量呈不显著的下 17/20）也显著高于环比增长率排序法（15.0%，3/20），差
2
降趋势（P＝0.097，S′＝－12）。瑞舒伐他汀钙片（国家集 异具有统计学意义（χ ＝19.600，P＜0.001）。由此可见，
采中选药品、同通用名非中选药品）用量均呈显著上升 DMDC 模型在预警的准确性和敏感性方面均优于环比
趋势（P＝0.002，S′＝22；P＝0.004，S′＝20），瑞舒伐他汀 增长率排序法。
钙片（国家集采中选药品）的用量高于其同通用名非中 值得注意的是，环比增长率排序法的33个误报品种
选药品。匹伐他汀钙片（省级集采中选药品）用量呈现 中，有 19 个品种实际呈显著下降或无显著趋势（3 个呼
显著上升趋势（P＜0.001，S′＝28），匹伐他汀钙片（同通 吸系统用药因季节性波动而误判），表明传统方法无法
用名非中选药品）用量呈显著的下降趋势（P＝0.004， 排除季节性等短期波动，导致大量针对用量无增长药品
S′＝－20）。普伐他汀钠片用量呈显著的上升趋势（P＜ 的无效预警。相较而言，DMDC模型凭借其统计趋势检
0.001，S′＝28）。可以推断，在调节血脂的临床实践中， 验功能，从根本上避免了对显著下降或无显著变化趋势
医生普遍倾向于使用日治疗费用更低的集中带量采购 品种的误判。该模型所预警的 28 个品种经确认均呈现
中选品种。经处方点评，7 种药品的临床使用均无明显 用量上升趋势，预警价值显著提升。
不合理。 3 讨论
20 000 对临床用药合理性进行宏观监测是医院药事管理
阿托伐他汀钙片（国家集采中选药品）P＜0.001，S′＝32
阿托伐他汀钙片（同通用名非国家集采中选药品）P＝0.097，S′＝－12
17 500 瑞舒伐他汀钙片（国家集采中选药品）P＝0.002，S′＝－22 的关键环节，其核心目标不仅是识别潜在的用药异常，
瑞舒伐他汀钙片（同通用名非国家集采中选药品）P＝0.004，S′＝－20
匹伐他汀钙片（省级集采中选药品）P＜0.001，S′＝28
15 000 匹伐他汀钙片（同通用名非省级集采中选药品）P＝0.004，S′＝20 更在于为用药优化、资源配置提供合理依据。传统采用
普伐他汀钠片P＜0.001，S′＝28
12 500 的环比增长率排序法虽能捕获短期波动，但其预警信号
月度用量/盒 10 000 易受季节性、偶然性因素干扰，导致大量无效预警，难以
75 000
精准识别具有临床意义的长期用药趋势。
50 000
3.1 DMDC模型为药品使用预测提出了新的解决思路
25 000
为解决药事管理的实际需求，本研究构建了基于季
0 节性 Mann-Kendall 趋势检验的药品动态监测模型。
2021年11月 2021年12月 2022年1月 2022年2月 2022年3月 2022年4月 2022年5月 2022年6月 2022年7月 2022年8月 2022年9月 2022年10月 2022年11月 2022年12月 2023年1月 2023年2月 2023年3月 2023年4月 2023年5月 2023年6月 2023年7月 2023年8月 2023年9月 2023年10月 2023年11月 2023年12月 2024年1月 2024年2月 2024年3月 2024年4月 2024年5月 2024年6月 2024年7月 2024年8月 2024年9月 2024年10月 DMDC 模型通过拆分季节子序列、合并趋势统计量，有

图4 单方HMG-CoA还原酶抑制剂的用量监测结果 效排除季节干扰，实现了对长期趋势的量化识别与显著
性评估。效能评估表明，DMDC 模型的精确率（60.7%）
2.4 DMDC模型与环比增长率排序法应用成效对比
与召回率（85.0%）均显著优于环比增长率排序法（精确
为评估DMDC模型的应用成效，本研究以评审小组
率8.3%，召回率15.0%）。
处方点评结果为标准，对DMDC模型与环比增长率排序
进一步分析两种方法的预警差异发现，二者筛选的
法的监测效能进行了定量对比，结果见表2。
潜在异动品种并不重合。环比增长率排序法识别的3个
表2 DMDC模型与环比增长率排序法的应用成效比较
呼吸系统用药的用量在研究时段中有较大增长，但在长
方法（预警品种总数）
人工评议结果 周期中表现为无显著变化趋势或呈现显著下降趋势，未
DMDC模型（28种） 环比增长率排序法（36种）
人工评议潜在异动品种 17个品种：皮肤病用药（6），内科用 3个品种：神经系统药物（1），消化道和代谢方 被 DMDC 模型纳入。这一结果揭示了两种方法的内在
（n＝20） 药（中成药）（5），其他（2），消化道和 面的药物（1），心血管系统用药（1） 差异：环比增长率排序法作为一种短期波动监测工具，
代谢方面的药物（1），感觉器官药物
（1），肌肉-骨骼系统药物（1），泌尿 易受季节性与偶然因素影响；而DMDC模型的核心优势
生殖系统药和性激素（1） 是专注于识别具有统计学意义的长期单调趋势，其可消
人工评议非潜在异动品种 11个品种：合理增长品种——心血 33个品种：合理增长品种——神经系统药物
（n＝44） 管系统用药（3），呼吸系统用药（2），（4），呼吸系统用药（2），泌尿生殖系统药和性 除季节性波动影响，使预警结果更能反映潜在的、持续
消化道和代谢方面的药物（2），神经 激素（2），消化道和代谢方面的药物（2），抗肿 性的用药行为改变。以桉柠蒎肠溶胶囊为例，该药呈现
系统药物（1），除性激素和胰岛素外 瘤药及免疫调节剂（1），外科用药（中成药） 明显的冬季高、夏季低的用量特征。传统方法易将季节
的全身激素制剂（1），血液和造血器（1），心血管系统用药（1），血液和造血器官药
官药（1），皮肤病用药（1） （1）；误判趋势品种——呼吸系统用药（3），消 峰值误判为异常增长或因夏季用量回落忽略其整体上
化道和代谢方面的药物（4），皮肤病用药（3）， 升趋势。而DMDC模型可成功排除季节性干扰，准确识
感觉器官药物（2），泌尿生殖系统药和性激素
（2），其他（2），神经系统药物（2），血液和造血 别出其显著上升趋势，避免了趋势误判或漏判。与此同
器官药（1） 时，该模型可输出P值和S′值的模型，这有助于建立基于

中国药房 2026年第37卷第3期 China Pharmacy 2026 Vol. 37 No. 3 · 381 ·