> For the complete documentation index, see [llms.txt](https://doc.duaer.com/zh/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://doc.duaer.com/zh/guides/pharmacovigilance-ai-course-first-use-case.md).

# 药物警戒 AI 课程 2027：选择你的第一个应用场景

本文整理自 Duaer 文档站，围绕药物警戒（PV）团队如何在 AI 课程之后选定第一个试点场景展开，涵盖流程拆分、价值与难度排序、试点选择、课程设计和效果衡量。

## 先弄清真实的药物警戒场景，再选课程

大多数报名药物警戒 AI 课程的团队想要同一个结果：在不危及患者安全的前提下，让安全运营更快、更一致。课程本身很少是瓶颈，真正的难题在于药物警戒（PV）是一连串受监管的任务，而通用的 AI 课程并不会告诉你应该从哪一环开始。团队常常结束培训，满脑子都是模型概念，回到工作岗位后仍不清楚该先自动化病例接收、文献筛选，还是信号评估。没有这个决定，培训就会停留在抽象层面，工作流程也依旧是手工操作。

PV 工作并不是单一任务。在大多数组织中，它可以拆分为几类反复出现的工作流：个例安全报告（ICSR）的接收与处理、不良事件术语的医学编码、文献监测、信号检测与评估，以及定期安全性报告。每一类工作流的输入、负责人和监管要求都不相同。

病例接收通常指从呼叫中心、医疗专业人员、患者、合作伙伴和文献中接收报告，然后提取结构化字段，例如可疑产品、事件描述、日期和报告人资质。重复病例识别是相关任务，因为同一病例往往通过多个渠道到达。文献监测是指扫描出版物和数据库中的相关安全信息，并依据既定标准进行筛选。信号管理则是跨时间观察多个病例，找出值得深入关注的模式。定期报告则是把汇总的安全数据整理成按计划提交给监管机构的文件。

对你的团队来说，有价值的课程应当结合你们自身的工作流程来讲解这些场景，而不只是泛泛介绍 AI 的概念。如果课程内容无法映射到这些具体任务上，就很难衡量员工是否真正学到了能改变日常工作的东西。

## 按价值和难度给场景排序

场景梳理清楚之后，可以从两个维度进行排序。价值维度看这项任务目前给团队带来多少人力占用、积压或延误。难度维度看这项任务在多大程度上依赖干净的数据、明确的规则，以及对错误的容忍度。

在许多 PV 职能中，可以看到一个大致规律。文献筛选通常价值较高、难度中等，因为输入是文本，筛选标准可以写成文字，而且最终决定仍由人工审核者把关。病例接收中的信息提取同样价值较高，但难度更大，因为源文件的格式和语言各不相同，字段级错误可能带来监管后果。信号检测很有价值，但属于最难的一类，因为它需要可靠的历史数据、审慎的统计方法，以及对信号上报机制的严格治理。定期报告的起草对于汇总已有输出很有用，但很大程度上取决于底层病例数据的质量。

建议把这些内容写进一张简单的表格，列出场景、当前工作量、平均处理时长、错误后果、数据就绪程度，以及需要由谁签字确认。这张表并不是精确的模型，它的作用是让各种权衡变得可见，避免团队只凭热情争论。

## 选择一个既能学习又不会让你暴露风险的首个试点

首个试点应满足三个条件。第一，它的发生频率要足够高，能在几周内而不是几个季度内产生结果。第二，它的输出在进入下游之前应由具备资质的人员审核。第三，它的失败应当是可见的，并且成本可控。

文献筛选通常比其他场景更符合这些条件。试点可以与现有流程并行运行：AI 给出相关性判断建议，审核人员进行核对，团队则可以在一个既定样本上比较两者的一致率。当团队已经养成了逐字段衡量提取准确率的习惯后，病例接收可以作为第二个试点推进。

应避免一开始就做信号检测，尽管它看起来是最令人印象深刻的应用。它依赖的数据和治理机制，大多数团队仍在建设之中。一开始就从这里入手，往往只能得到一个演示，而不是一套可以落地的流程。

## 围绕这个试点来设计课程

如果你正在选择或设计课程，可以问课程提供方：内容将如何应用到你选定的试点上。应重点关注以下几点：是否有使用你们工作流程中匿名化或合成示例的练习，是否有关于人工审核和文档记录的清晰指引，以及是否有衡量技能能否体现在日常实践中的计划。如果一门课程对所有人、无论角色讲授同样的内容，那么审核人员和病例处理人员通常得不到他们真正需要的具体检查要点。

培训也必须覆盖管理层。许多 PV 负责人将被要求批准一些他们并不完全理解的 AI 辅助步骤。一个简短的模块，讲解如何解读错误率、何时应当上报、审计追踪必须体现哪些内容，往往比泛泛的机器学习入门更有价值。

## 衡量课程是否真正改变了工作

在课程开始之前就要定义衡量指标。常用的指标包括：从收到病例到完成分诊的时间、审核人员对 AI 建议输出的修正比例、在约定时限内完成筛选的文献条目占比，以及内部审计中发现的文档缺口数量。在试点期间应每周跟踪这些指标。

要警惕一个常见误区：完成的培训学时增加，并不能证明流程得到了改进。如果审核人员仍在重复录入同样的字段，或者绕过工具操作，说明课程并没有真正落地。反过来，一个速度很快却没有留下人工审核记录的试点，是合规风险，而不是成功。

要从规划走向实践，Duaer 可以让团队直接搭建这类试点工作流：定义场景、把输出分派给审核人员、记录修正内容，使培训和流程能够基于同一份数据进行检验。团队可以访问 https://www.duaer.com 注册，先在单一的 PV 工作流上试用，再决定扩展的范围。

## 从本周开始

本周可以调取最近三个月的安全病例接收数据，按任务类型统计团队在每一类工作上花费的小时数。把文献筛选、病例接收和编码放在同一张表上，并增加一列，记录每类输出被修正的频率。工作量大、且错误成本可控的那类工作流，就是你首个试点的候选。选课程时，应选择能讲授这一工作流的课程，而不是通用的教学大纲。

如果你希望把这张表进一步整理成推广计划，可以访问 https://www.duaer.com 注册并试用该工作流，我们的团队也可以和你一起梳理你的具体场景。

告诉我们你的场景，我们将为你返回一份书面的推广路线。

https://api.duaer.com/form/c59a907a-3697-4edf-a04d-3ea0fb72fdc8

## 常见问题

### 选择药物警戒 AI 课程时应该关注什么？

应重点关注课程能否映射到你们自己的工作流程，例如病例接收、文献筛选或信号评估；是否使用匿名化或合成的示例进行练习；是否讲清楚人工审核与文档记录要求；以及是否有衡量学到的技能能否体现在日常工作中的计划。同时，管理层也应接受相关培训。

### 药物警戒中哪类工作适合作为 AI 落地的第一个试点？

通常建议从文献筛选开始，因为它的输入是文本，筛选标准可以明确书写，并且由人工审核者做最终决定，发生频率高，失败也容易发现、成本较低。病例接收可以作为第二个试点。信号检测虽然吸引人，但依赖的数据和治理基础较为复杂，通常不宜作为第一个试点。

### 如何判断 AI 培训是否真正改变了药物警戒的工作？

不应只看培训学时。更有效的做法是在培训开始前定义指标，并在试点期间每周跟踪，例如从收到病例到完成分诊的时间、审核人员对 AI 输出的修正比例、按时完成的文献筛选比例，以及审计中发现的文档缺口。如果审核人员仍在重复录入或绕过工具，说明培训尚未落地。

