药物警戒贯穿药物研发、上市前临床试验、上市后监测及全球合规管理全过程，是保障公众用药安全的重要防线^[1-3]。上市前临床试验阶段，药物警戒主要聚焦于对各类药物相关不良反应及其他安全性事件的系统收集、评估、报告与管理，从而尽早识别潜在风险，为临床试验方案优化、受试者保护及上市决策提供依据。上市后阶段则是药物全生命周期安全管理的关键延伸^[3-5]。与上市前研究相比，上市后监测面对的人群更广、用药情境更复杂，更有利于发现罕见、迟发及特殊人群中的药物不良反应，并为动态评估药物风险-获益比和优化临床用药策略提供真实世界证据^[5-7]。

近年来，人工智能（artificial intelligence，AI）发展迅速，已逐步成为推动药物警戒转型升级的重要技术力量^[8-10]。其核心技术体系包括机器学习、深度学习和生成式AI，并与自然语言处理、知识图谱等技术协同应用^[11-12]。在药物警戒场景中，AI有助于提升多源数据处理效率、增强安全信号挖掘能力，并支持风险评估与合规管理的自动化。本文围绕AI在药物警戒中的关键应用场景，对其在多源数据采集与结构化处理、安全信号检测与优先排序、监管合规与报告自动化以及个体化风险评估与因果验证等方面的研究进行综述，并进一步分析其面临的主要挑战与未来发展方向，为提升药物安全监测的效率与精准性提供参考。

1   AI在药物警戒中的应用

1.1   多源数据采集与结构化处理

药物警戒数据来源广泛，涵盖自发呈报系统、社交媒体、电子健康记录和医学文献等多种渠道。不同来源的数据在格式、表达方式和信息完整性方面差异显著，给数据采集、整合、清洗和结构化处理带来较大挑战。AI技术，尤其是自然语言处理、深度学习和联邦学习等方法，能够提升多源异构数据的提取、整合与利用效率，为后续安全信号识别和风险评估奠定基础。

在自发呈报系统中，药物警戒报告常存在报告率不足、信息缺失较多和人工审核耗时较长等问题，因而难以及时满足药物不良反应（adverse drug reaction，ADR）上报时限要求。基于自然语言处理和深度学习的方法可快速自动提取药物名称、临床症状及发生时间等核心信息，从而缩短单份病例的处理时间。Badalotti等^[13]利用Transformer双向编码器表征（Bidirectional Encoder Representations from Transformers，BERT）模型结合主动学习机制，从电子健康文本中自动提取临床变量，实现了病例报告关键信息的高效抽取。Rieke等^[14]提出，联邦学习可在不共享患者原始敏感数据的前提下开展跨机构协同分析，在保障数据隐私的同时，为多中心药物警戒数据的联合建模与整合分析提供了新思路。

社交媒体已成为ADR线索发现的重要补充来源，但此类数据通常具有口语化、碎片化、噪声高和真实性难以核实等特点，增加了有效信息筛选的难度。当前，针对社交媒体数据的分析方法主要包括主题建模、情感分析、文本嵌入、预测分类及传播轨迹分析等^[15]。Lee等^[16]开发的Bi-LSTM模型在测量的两种药物相关ADR帖子分类任务中均表现良好，准确率分别达到85%和80%。与此同时，社交媒体文本常包含个人健康信息、疾病史和用药史等敏感内容，部分内容可能涉及患者隐私。An等^[17]采用半监督KoBERT模型，实现了97%以上的临床文本去标识化性能，为AI在医疗文本挖掘中的隐私合规应用提供了技术支持。此外，Almeida等^[15]基于互联网搜索数据识别公众对特定ADR的关注变化，为潜在风险的早期预警提供了辅助信息。

医学文献同样是药物警戒信息的重要来源，但传统依赖人工检索和筛选的方式效率较低，容易遗漏关键信息，且报告滞后明显。针对这一问题，Habets等^[18]利用微调后的Transformer模型自动识别相关文献，可对PubMed数据库中的文献进行高效预筛，从而减轻人工筛选负担并提高信息捕获效率。

在多源数据采集与处理中，重复报告会显著影响数据质量，并干扰后续统计分析和信号检测结果^[19]。因此，建立有效的重复预防、识别和管理机制，是提升药物警戒数据可靠性的关键环节。Barrett等^[20]基于Vigi Match模型提出融合双支持向量机分类器的改进型重复报告检测模型，能够较为准确地区分药物和疫苗领域个案安全性报告（individual case safety report，ICSR）的重复记录。与原始Vigi Match模型相比，该方法在召回率和精度方面均有所提升，同时降低了不同国家数据集中假阳性结果的比例，为大规模ICSR数据库去重和保障药物警戒分析结果的可靠性提供了高效的计算支持。

1.2   药物安全信号检测与优先排序

将机器学习模型与传统自发报告系统相结合，有助于提高药物安全信号检测的效率和准确性。在一项基于美国FDA不良事件报告系统（FDA Adverse Event Reporting System，FAERS）数据库的大规模研究中，综合采用多种信号检测算法及贝叶斯置信传播神经网络对氟马西尼相关不良反应特征进行了系统分析，发现在长期使用苯二氮䓬类药物的人群中氟马西尼与戒断性癫痫发作和心因性癫痫等神经系统不良事件显著相关^[21]。此外，通过整合结构化数据与非结构化数据，并结合深度学习和自然语言处理技术进行交叉验证，可进一步提升潜在不良反应的识别能力^[22]。

在此基础上，整合多维度药物特征信息能够更为准确地预测多种类型不良反应的发生概率，从而为新药研发和临床用药过程中的风险监测提供重要支持^[23]。基于知识子图辅助的模型还可有效提升生物医学文本中药物-药物相互作用预测的性能，并在一定程度上揭示药物与不良反应之间的潜在关联链条，减少混杂因素对结果判断的干扰^[24]。同时，集成学习也为药物安全信号的综合评估提供了新的思路。Dijkstra等^[25]将多种信号检测方法的结果通过Borda计数排序法进行整合，发现当数据噪声较大时，集成方法通常表现更优，能够综合不同模型的优势并在一定程度上弥补单一方法的局限。

除药物安全信号检测外，基于ADR严重程度进行优先排序同样有助于提升药物警戒工作的针对性和效率。Bergman等^[26]基于BERT模型构建了针对ADR严重程度预测的自然语言处理模型，可利用报告中的自由文本有效预测不良反应的严重程度，进而识别在报告过程中可能被错误标注或低估严重程度的病例，为高风险病例的优先审查提供依据。

1.3   监管合规与报告自动化

在药物警戒实践中，监管合规与报告自动化贯穿安全信息识别、报告录入、有效性判定、优先级管理以及后续追溯等多个环节。由于不同国家和地区在报告时限、报告范围和数据标准等方面存在差异，如何在满足监管要求的同时提升处理效率，已成为药物警戒工作中的重要问题。AI技术可在监管文本审查、ICSR处理、报告分级以及多语言信息转化等环节提供支持，从而推动药物警戒流程的标准化与自动化。

在监管文本审查方面，AI有助于提升说明书和安全性文本的识别与比对效率。LabelComp结合文本分析方法与训练后的BERT模型，可自动识别药品说明书更新过程中不良反应术语的变化，从而帮助监管机构更高效地掌握说明书安全性信息的调整情况^[27]。针对美国FDA处方药说明书内容庞大、自由文本占比高而导致传统审查效率较低的问题，研究者开发了定制化Transformer架构模型RxBERT。该模型在美国FDA人用处方药说明书语料基础上对BioBERT进行了进一步预训练，更好地适配了监管类文档的语境与结构，可帮助审评人员快速提取说明书中的疗效和安全性关键信息，从而提升审查效率并为监管决策提供支持^[28]。

在ICSR处理方面，AI已逐步应用于ICSR的录入、信息抽取和有效性判定。Schmider等^[29]聚焦于ICSR录入环节中的关键监管痛点，验证了一款商用AI工具的应用可行性。该工具无需对源文档进行人工标注，仅依托安全数据库中的既有数据即可完成训练，并能够自动提取不良事件描述、可疑药物和患者信息等9类核心实体，同时依据监管标准对核心信息的完整性与规范性进行校验，从而较为准确地判定ICSR的有效性。这一技术路径为优化ICSR审核流程、降低人工依赖性提供了可行方案。

在报告优先级管理方面，AI可进一步支持高风险个案的快速识别与资源优化配置。Lieber等^[30]开发了基于自然语言处理的辅助分级模型。该模型通过提取ICSR自由文本特征，并结合通用药名、ATC编码等结构化数据，训练集成袋装分类器，实现了对报告优先级较为精准的预测。借助该模型，可自动识别与严重不良反应相关的高风险病例，从而引导监管人员优先关注需要紧急临床复核的个案，减少低价值报告对审核资源的占用，提升ICSR审查与风险响应的整体效率。

除核心处理流程外，AI还可为药物警戒的辅助环节提供支持。有研究提出构建一套基于网络论坛数据、实现“提取-指标生成-可视化展示”全流程自动化的系统，其核心模块包括帖子提取、药物-不良事件标注、信号检测和可视化呈现，旨在为监管部门提供更为友好的药物警戒辅助工具^[31]。此外，Hussain等^[32]研究表明，基于全球药物警戒报告数据预训练的AI系统能够较高效地完成ADR录音报告的转录和多语言翻译任务，显示出较好的准确性和可靠性。与此同时，区块链技术也可为药物警戒报告管理提供支撑。通过对ADR报告的审核痕迹和修改内容进行不可篡改的链式记录，可形成完整的操作溯源链条，从而在保障报告真实性与完整性的同时，为监管核查和责任追溯提供依据^[33]。

1.4   个体化风险评估与因果验证

个体化风险评估与因果验证是药物警戒风险管控中的关键环节。个体化风险评估主要关注患者年龄、性别、基础疾病等个体特征，旨在实现药品不良反应风险的精准预测和差异化管理；因果验证则聚焦于药物暴露与不良反应之间的关联性，通过排除疾病进展、合并用药等混杂因素，进一步明确不良反应的归因，为风险信号确认提供依据。

通过整合多维度药物特征信息，可以较为准确地预测多种类型不良反应的发生概率，从而为新药研发和临床用药过程中的风险监测提供支持^[23]。Gao等^[34]应用深度学习中的异质图神经网络，构建了PreciseADR框架，并结合知识图谱技术，对患者特征与药物关系进行了精细化建模，从而识别出在ADR发生过程中可能具有重要作用的潜在模式与交互关系。此类方法有助于更加精细化地理解风险差异，为个体化风险评估提供技术支撑。

在临床应用层面，机器学习模型也为住院患者不良药物反应的早期识别提供了新的路径。通过整合真实世界数据，可构建针对罕见不良反应的风险预测模型，从而辅助临床决策并缩短诊断延滞^[35]。一项系统综述与meta分析纳入了59项基于电子健康记录、聚焦不良药物反应风险预测的研究，结果显示机器学习模型的综合曲线下面积达到0.806 9，提示利用常规临床数据开展ADR早期预警具有较好的科学性和应用潜力^[36]。总体而言，个体化风险评估为识别高风险人群提供了支持，而因果验证则进一步增强了风险信号判断的可靠性，两者共同构成了药物警戒精细化管理的重要基础。

2   Al在药物警戒中应用的展望与挑战

尽管AI已在药物警戒中展现出提升效率、优化流程和增强风险识别能力的潜力，但其在临床实践和监管决策中的落地应用仍面临多重挑战。这些问题既来源于算法和模型本身的技术局限，也与伦理、隐私、监管和数据治理等外部约束密切相关。因此，AI在药物警戒中的持续发展，不仅依赖模型性能提升，也有赖于治理框架和应用规范的同步完善。

首先，从技术层面看，数据质量、模型泛化能力和时序建模不足仍是限制AI落地应用的关键因素。AI模型的性能高度依赖输入数据的质量与一致性，而在药物警戒场景中，数据噪声、缺失、重复和偏倚等问题普遍存在，严重时会削弱模型输出结果的可靠性，并影响其跨平台迁移与结果解释^[37]。与此同时，受训练数据规模有限、来源单一以及跨地区、跨人群验证不足等因素影响，当前多数AI模型在跨场景应用时仍存在性能衰减问题^[38]。此外，药物警戒高度依赖时间维度信息，但现有模型大多仍以静态快照数据为训练基础，尚难充分整合用药起始时间、暴露时长、剂量调整轨迹及风险随时间演化等关键因素，从而限制了其对潜在不良反应的早期识别和动态预警能力^[39]。

除技术性能外，AI在药物警戒中的应用还面临伦理与合规层面的现实约束。药物警戒数据通常涉及病例叙述、用药史、不良事件经过及跨机构流转信息，若处理不当，可能带来隐私泄露、二次识别和数据滥用等风险^[8]。与此同时，训练数据中的选择偏倚、标注误差及人群代表性不足，也可能导致模型对特定人群、特定药物或特定应用场景产生系统性偏差，从而影响结果的公平性与稳健性^[40]。尤其对于生成式AI而言，其“黑箱性”和“幻觉”问题可能会进一步削弱业务人员和监管机构对模型输出结果的信任^[41]。因此，在推进AI赋能药物警戒的过程中，不仅要关注模型效果，还需同步强化数据最小化、去标识化、人工复核、模型可解释性评估以及全流程审计等要求，以确保其在伦理和监管框架内实现安全、可控和可追溯的应用。

针对上述挑战，未来药物警戒领域的AI治理路径需要从制度建设和监管适配两个层面同步推进。随着AI技术快速发展，监管科学正在面临如何在“促进创新”与“保障安全”之间实现平衡的现实问题。国际权威机构已开始进行前瞻性布局，例如国际医学科学组织理事会第十二工作组提出了ICSR流程图及风险-获益评估框架^[42]，TransCelerate则通过发布验证指南和交互式工具推动模型透明性与可解释性的提升^[43]。未来仍需进一步建立强化算法可验证性、可追溯性与合规性的制度框架。尤其是通过引入“监管沙盒”机制，可为新兴AI技术提供可控的真实世界试验环境，对其安全性、适用性和稳定性开展动态评估，从而推动监管模式由静态审查向动态适应转变^[44]。同时，AI在药物警戒中的应用还需应对跨国数据流通、算法公平性和责任划分等复杂政策议题，建立国际协作机制、统一数据标准与算法验证流程，并完善伦理审查和信息共享规则，这将是推动全球药物安全治理协同发展的关键方向^[45]。

AI在药物警戒中的未来发展仍具有广阔前景。一方面，持续学习与自适应模型有望使系统能够根据新输入数据动态更新参数，从而实现对新出现不良反应的实时识别与响应^[46]；另一方面，量子计算的引入可能在庞大的药物-基因-环境交互空间中实现更高效的模式搜索，进一步提升个体化风险预测的精度^[40]。随着药品使用和监管协作的全球化推进，药物警戒体系也将朝着多语言、多区域和多模态协同方向发展，AI有望进一步赋能跨语种信号识别、国际联合监测和复杂数据融合分析，推动药物警戒向更高精度、更广覆盖面和更强适应性的方向演进。

3   结语

AI正逐步成为推动药物警戒深入发展的重要技术引擎。借助自然语言处理技术，可实现对海量非结构化数据的高效处理；依托机器学习和深度学习方法，可提升药物不良事件识别、风险评估与流程自动化的能力。这些技术的发展为缓解传统药物警戒中数据利用不足、响应滞后等问题提供了新的解决思路。

然而，AI在药物警戒中的价值并不在于取代专家判断，而在于通过更高效的数据处理、更精准的风险识别和更完善的辅助决策能力，增强人机协同效能，推动药物警戒由被动响应向主动预警转变。未来，药物警戒体系有望进一步发展为兼具持续学习、跨模态整合和伦理合规特征的智能系统，从而在药物全生命周期内实现更加实时、精准和可持续的安全监测与风险预警。