> 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-aims-and-objectives.md).

# 药物警戒的目标与宗旨：2027年AI应从哪里开始

本文整理自 Duaer 文档站，围绕药物警戒的核心目标，说明企业在2027年前后如何找准AI落地的起点：先对齐业务目标，再按价值与难度排序，最后选择可控、可验证的首个试点。

## 从目标出发，而不是从工具出发

药物警戒的存在，是为了发现、评估、理解和预防药品的不良反应。从原则上讲，它的目标很清楚：保护患者，持续更新药品的获益与风险图景，并及时向监管机构和处方医生提供证据。但在实际工作中，安全团队往往被大量病例接收、重复报告、呼叫中心与文献中的自由文本叙述，以及永远做不完的信号评估压得喘不过气来。正是这种差距，让越来越多的制药企业开始追问：AI能在哪里帮忙，同时又不削弱它本应服务的药物警戒目标。

药物警戒体系通常围绕几项反复出现的目标展开：尽早识别新的安全信号；准确、按时地处理个例安全报告（ICSR）；定期产出获益-风险报告；评估风险控制措施是否真正有效；并确保每一项决策都经得起审计。不同企业和司法辖区的措辞各不相同，但底层逻辑是一致的。

这一点很重要，因为很多AI方案的出发点是某项能力，例如摘要或分类，然后再去寻找适用的问题。更合理的顺序是先写清楚哪个目标正承受压力。如果瓶颈是病例处理滞后，用例就应归入病例接收环节；如果瓶颈是文献覆盖不足，用例就应归入文献筛查。无法说明自己服务于哪个目标的用例，只能算演示，不能算试点。

## 在排序之前，先了解典型场景

在大多数安全职能中，AI通常出现在以下几类反复出现的场景里：

**病例接收与分诊。** 对来自自发报告、文献和呼叫中心的报告进行分类，并分流到正确的处理队列。

**重复检测。** 在不同来源之间匹配描述同一患者、同一事件的报告。姓名、日期和措辞的细微差异，往往会制造大量噪音。

**叙述信息抽取。** 从非结构化文本中提取药品、事件、日期、结局和报告人信息，形成结构化字段，供人工复核。

**文献筛查。** 扫描出版物，找出可能包含与某产品相关安全信息的内容。

**信号检测辅助。** 为安全科学家标出异常模式，供其评估。输出的是判断的线索，而不是结论。

**起草。** 准备定期报告或评估章节的初稿，由具备资质的复核人员签发。

每个场景的监管暴露程度不同，因此这些场景并不能简单互换。

## 按价值和难度排序，并将监管暴露作为单独的视角

建议对每个候选场景从两个维度打分。价值维度包括工作量大小、周期时长，以及积压带来的成本。难度维度包括数据质量、验证负担、所需人工复核的强度，以及该工作与安全数据库的耦合紧密程度。如需实用的打分方法，[企业AI用例优先级排序](https://doc.duaer.com/zh/guides/enterprise-ai-use-case-prioritization/)中的思路同样适用于受监管的工作。

在多数企业中，重复检测和文献筛查在价值维度上得分较高，在难度上只是中等。它们数据量大、重复性强，而且可以对照历史答案进行核对。自动化因果关系评估看似很有吸引力，但它在难度和监管暴露两方面得分都很高，因此不应作为首个试点的主角。信号检测很有价值，但它依赖成熟的数据、稳定的定义和清晰的治理，通常更适合放在第二阶段。

一条实用的规则是：如果某个错误会在没有人工核查的情况下直接改变医学或监管结论，那么无论该用例的价值得分多高，它都不适合作为首个试点。

## 首个试点应以可控性而非雄心来选择

合适的首个试点应具备五个特征。第一，有可测量的基线，例如当前的周期时长、积压天数或重复率。第二，数据范围受控且被充分理解。第三，当AI出错时，错误能在进入决策之前被人工发现。第四，安全职能内部有明确的负责人，而不只是IT部门。第五，可以在同一份历史样本上，与现行人工流程进行对比。

对大多数团队而言，重复标记或文献筛查能够满足这些要求。两者都能在消除重复性分拣工作的同时，让人类保留最终决策权。在选择供应商或平台之前，应先锁定用例。[药企首个AI场景的选择思路](https://doc.duaer.com/zh/guides/ai-pharma-companies/)同样适用于这里：用例一旦清晰，供应商比较才会更加客观。

## 让验证成为计划的核心，并围绕目标衡量结果

验证环节是许多试点悄然失败的地方。请用过去的病例构建测试集，并且确保每个病例的正确结论是已知的，其中应包含一些棘手的案例。然后衡量真正重要的指标。对于相关或严重病例的召回率，应是最重要的指标，因为漏掉一例严重病例的代价远高于多送一条复核项。精确率关系到工作量，而复核人员的否决率则能反映人们是否信任系统输出。

每次运行都应记录模型版本、提示词和配置。任何变更都需要重新验证。如果试点涉及受GxP管控的变更流程，应在一开始就让质量保证部门参与。试点结束后再补文档既缓慢，又常常迫使项目从头再来。

在衡量方面，应跟踪从收到到处理完成的周期时长、积压的时间长度、重复检测的精确率和召回率、每例所需的复核分钟数，以及与该流程相关的审计发现。应避免诸如“AI处理了多少份报告”之类的虚荣指标。如果召回率下降，或者复核人员花在修正输出上的时间超过了节省的时间，那么处理量再大也没有意义。

建议按固定周期复盘这些数字，并将其与最初的目标相对照。如果试点提高了速度却削弱了完整性，那么无论仪表盘看起来多么漂亮，它都没有实现药物警戒的目的。

## 本周就做这一件事

请调取过去三个月的病例量数据，并写下病例等待时间最长的三个环节。对每个环节，记录其工作是否具有重复性、是否存在答案已知的历史样本，以及安全团队中谁会对结果负责。然后用一个简单的价值-难度网格为候选项打分。得分最高且拥有可用历史样本的项目，就是首个试点的候选。在完成这一步之前，不要急于选择工具。

如果团队希望有一套结构化的方法，从这份清单推进到真正运行的试点，可以[注册 Duaer 试用](https://www.duaer.com)，用它来搭建打分与验证工作流。建议从一个用例和一个可测量的基线开始，再由结果决定是否扩大范围。

如果你告诉我们你的具体场景，我们可以为其整理一份书面的落地路线。

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

归根结底，药物警戒关乎以稳定、可验证的判断来保护患者。只有当AI缩短了通往这一判断的路径，同时又不取消使判断值得信赖的人工监督时，它才真正在这项工作中占有一席之地。

## 常见问题

### 药物警戒中，企业应该先用AI解决哪一类问题？

通常应从目标压力最明显、重复性强且可以用历史样本核对的环节开始，例如重复报告检测或文献筛查。这类场景价值较高、难度适中，并且能保留人工对最终决策的把控。自动化因果关系评估等直接影响医学或监管结论的场景，不适合作为第一个试点。

### 药物警戒AI试点应如何验证效果？

应基于已知正确结论的历史病例构建测试集，并包含一些较难的案例。重点关注相关或严重病例的召回率，同时观察精确率、复核人员的否决率以及每例复核耗时。每次运行都要记录模型版本、提示词和配置，任何变更后都需要重新验证，并尽早让质量保证部门参与。

### 如何判断AI试点是否真正达到了药物警戒的目标？

不应只看AI处理了多少报告，而应跟踪周期时长、积压时间、重复检测的精确率与召回率、复核耗时和相关审计发现，并定期与最初的业务目标对照。如果速度提升却牺牲了完整性，即使指标看起来不错，也说明试点没有达到药物警戒的核心目的。

