如果你的品种上市后的安全性画像，主要来自国家不良反应自发呈报系统——那么很可能，你看到的不到真实发生的一半。

这不是凭空的判断。2025 年全国药品不良反应监测网络收到《药品不良反应/事件报告表》272.8 万份，其中来自医疗机构的占 91.5%，来自持有人的只有 4.0%——也就是说，持有人手里那份安全性画像，九成以上是别人替他画的。

那么医院画得全不全？厦门大学附属第一医院药剂科刘宏尉药师团队，做过一次近乎“全量清点”的验证：对 2023 年 10—12 月出院的 39,456 例住院患者开展全面主动监测，经系统报警与人工复核，发现漏报不良反应 266 例；而同期临床自发上报的，只有 225 例。漏报率 54.18%（266/491），每 100 例真实发生的不良反应中，有 54 例从未进入任何一张报告表。

换一个更直观的说法：主动监测额外挖出来的这 266 例，比同期自发上报的 225 例还多出 18%。它衡量的不是某家医院管理松懈，而是这套模式本身的天花板——只要监测依赖“有人想起来填一张表”，漏报就不是意外，而是常态。

01 漏的不是个例，是模式

医院是药物警戒无可替代的主渠道。但正因为渠道如此集中，它的短板也就成了整个体系的短板——医院漏掉的那一部分，没有任何第二渠道会替它补上。

自发上报漏在哪里？行业里的答案高度一致，大致三条：

于是有人问：那让药师主动去翻病历，行不行？

这条路更难。ADR 线索分散在海量病历里，人工翻阅耗时耗力；病历中大量的模板文字、知情告知、阴性描述又持续干扰判断；更麻烦的是，不同药师的筛查尺度难以统一，同一份病历两个人看可能得出两个结论，监测结果的一致性无从谈起。

矛盾因此变得清晰：日益增长的药品安全监测需求，与有限的药师人力资源、低效的传统工作方式之间的对立。

但答案其实藏在同一个地方。那些没能进入报告表的事件，往往并没有消失——它们被写进了病程记录，躺在检验值的变化里，留在护理记录的某一行。

02 法条其实早就把答案写好了

在讨论技术之前，有必要先把义务讲清楚，因为很多人低估了它的强度。

《药品管理法》第十二条明确：国家建立药物警戒制度，对药品不良反应及其他与用药有关的有害反应进行监测、识别、评估和控制。落到持有人身上，义务分布在三条：

●  第七十七条

持有人应当制定药品上市后风险管理计划，主动开展药品上市后研究，对药品的安全性、有效性和质量可控性进行进一步确证；

●  第八十条

持有人应当开展药品上市后不良反应监测，主动收集、跟踪分析疑似药品不良反应信息，对已识别风险的药品及时采取风险控制措施；

●  第八十三条

持有人应当对已上市药品的安全性、有效性和质量可控性定期开展上市后评价；必要时，药监部门可以责令持有人开展，或者直接组织开展。

配合《药物警戒质量管理规范》（GVP），一套完整的药物警戒体系早已是持有人的标配。

请注意这几个动词——主动、跟踪、定期。法律从来没有写过"等待报告"四个字。

更有意思的是，早在 2020 年 7 月，国家药监局发布的《关于进一步加强药品不良反应监测评价体系和能力建设的意见》（国药监药管〔2020〕20 号）里，就已经写下了这样几句话：

卫生主管部门干脆把这件事写成了考核指标。国家卫生健康委《患者安全专项行动方案（2023—2025年）》（国卫办医政发〔2023〕13 号）将药物不良反应报告率列入医疗质量安全监测指标，分子是上报人数，分母是实际发生人数，指标导向四个字——逐步提升。

这个指标的含义再直白不过：在主管部门的框架里，上报数从来不等于发生数，两者之间的缺口，正是需要被管理的对象。

这份文件的目标年限写的是"到 2025 年"。今天回头看会发现一件耐人寻味的事：哨点已经建成，数据已经贯通，政策方向从没变过——真正卡住的最后一环，是怎么把非结构化的病历，读成可用的证据。这个问题，直到大语言模型成熟才有了工程意义上的解。

或者说：政策想要的从来不是"多收几张表"，而是存在于临床过程中的风险被识别出来。

03 哪些品种真的痛？先划清适用边界

院内回顾性真实世界研究不是万能的。把话说在前面，反而更容易说清楚它的价值——它的前提是患者在院内留下足够长的用药与观测轨迹。一次给药就离院、或压根不产生系统性用药记录的产品，再强的算法也挖不出东西。

✅ 适合开展院内真实世界监测的四类品种

① 成分复杂的中成药：不良反应谱尚不清晰，本身就需要上市后安全性再评价；自发上报样本量不足以完整识别风险信号。

② 慢病长期用药：用药周期长，迟发性不良事件多，线索零散分布在多次复诊的病历里，单次报告几乎必然遗漏。

③ 创新药与重点监测品种：附条件批准的品种，《药品管理法》第七十八条要求持有人在规定期限内完成相关研究；集采中标品种同样面临更高的上市后风险监测要求。仅靠自愿上报不足以支撑风险验证。

④ 需要医保或集采证据支撑的品种：需要多中心真实世界数据，为安全性和疗效提供补充证据。

❌ 并不适合的情形

检查诊断用药、极短期预防性用药、造影试剂，以及没有真实世界证据需求的简单仿制药。这类产品即便接入院内系统，也难以发挥主动监测的优势。

对上面四类品种而言，痛点高度重合，归结起来是四个：

前三个痛点指向同一件事——怎么把藏起来的线索捞出来；第四个痛点则决定了捞出来的东西能不能真正用。

04 第一引擎：触发器，把"等报告"改成"找信号"

要理解触发器，先要理解它的底座。中国医院药物警戒系统（CHPS）目前已部署于国内 430 余家哨点医院，打通了院内的 HIS、电子病历、检验与医嘱数据，并通过通用数据模型（CDM）统一口径——这套模型对标国家卫生信息标准，也参照了 FDA 与哈佛的哨点模型。

在这个底座上，触发器工具借鉴了美国健康促进研究所（IHI）推出的全面触发工具（GTT）思路，目前已研制系列触发器 100 余套。它的运作逻辑并不神秘：

举个直观的例子：把"出现 / 报告 / 告知"这类表述，与"停用 / 暂停 / 抗过敏 / 缓解 / 吸氧"这类处置词组合起来检索，就能从海量文本中先圈出一支"疑似队列"。

这些规则并非凭空设定。一条成熟的做法是：从大量历史报告中反推临床行为。研究者回溯了厦门大学附属第一医院 2018—2022 年的 2,430 份 ADR 自发报告样本，经过清洗与标注，提炼出 36 个强关联核心关键词，归为四个语义维度——判断类（考虑、可疑）、措施类（停用、抗过敏）、报告类（告知、上报）、转归类（缓解、消退）。这四个维度恰好对应一条完整的临床行为链：患者不适呈现 → 医护识别与报告 → 临床处置与干预 → 患者转归与评价。

需要强调的是，触发器到这里就停了。它完成的是"从海量病历到疑似队列"的第一轮筛选，它回答的是"哪些病例值得看"，而不是"这个病例是不是 ADR"。后者需要第二个引擎。

05 第二引擎：大模型，读完上下文而不是读完关键词

触发器解决的是"找得到"，但要判断"是不是"，必须读懂上下文。

举个典型场景：病历里出现"皮疹"两个字，可能是真实发生的过敏，也可能出现在既往史里、出现在知情告知里，还可能是"未见皮疹"这样的否定描述。关键词命中很容易，区分这些语义却很难。大语言模型的价值正在于此——它读取的是关键词前后的上下文，而不是关键词本身。

落地流程是一个清晰的四步闭环：

其中最有代表性的一步，是模型把散落在各处的信息整理成一条"用药—异常—处理—转归"时间线。药师因此不必再逐字翻找，而是围绕四个问题快速复核：是否真实发生、时间关系是否合理、处理措施是否支持、转归是否符合。

换句话说：药师的工作从"找证据"，变成了"判断证据是否成立"。

目前模型承担的具体环节包括 ADR 智能识别、因果关系初评、报告自动生成与报告质控评分。在已开展的应用中，效率提升主要体现在复核链条的整体前移：定位更快、判断更集中、标准更统一、补报更顺畅。

06 为什么 AI 不"下结论"反而是对的

这里有个容易被误读的点：既然模型已经读过上下文了，为什么不让它直接给出 ADR 结论？

答案写在 2026 年。当年 4 月，国家药监局发布《关于"人工智能＋药品监管"的实施意见》（国药监综〔2026〕6 号），文件中有一句措辞极为明确：

"辅助型定位"和"功能边界"，与前面那句"AI 是智能助理而非决策者、不替代临床药师做最终判断"是同一件事。所以这不是技术上的保守，而是踩在政策的线上。

顺着这条线还能看到另一层：药物警戒从来不只是"多报几张表"。把两份政策文件连起来读会发现，从 2020 年的"主动监测与评价系统"，到 2026 年的"风险画像"，监管要的始终是同一个东西——比别人更早看见风险。

07 第三层：从一张报告，到一套可分析的数据集

到这里为止，我们把 ADR 捞出来了、报告补上了。但对持有人而言，这还只是起点——上市后评价要的不是一个病例清单，而是一套能跑统计的数据集。

这一步叫数据治理，也是最容易被低估的部分：特征值初筛、格式转换、独热编码、缺失值与异常值处理、标准化或归一化，每一步都需要保存到文档中，然后才是描述性统计与推断性分析。

治理之后，集成机器学习才能真正派上用场。一条典型的路径是：通过专家意见与文献初步确定特征值，用随机森林做风险因素分析，把重要性强的变量作为最终特征，构建预测模型。围绕这条路径，已经产出了 PD-1 抑制剂甲状腺功能障碍风险预测、药物性肝损伤（DILI）风险预测、急性肾损伤（AKI）预警、慢阻肺分期预测等一系列研究。

一个已经公开发表的例子：还是厦门大学附属第一医院团队，利用同一套系统对 2020—2022 年使用卡瑞利珠单抗、信迪利单抗、替雷利珠单抗、帕博利珠单抗的 3,653 例住院患者开展免疫相关不良反应主动监测——系统报警 910 例，经临床药师逐一评价最终确定 107 例为真，其中严重者 49 例；内分泌毒性、肺毒性、皮肤毒性、肝毒性、心脏毒性依次列前五位。

这类研究的产出形态很实在——论文、再评价报告、说明书变更依据，以及支撑监管沟通的材料。

08 从被动收集，走向主动挖掘

回到开头那 54.18%。它真正刺痛人的地方在于：这些被漏掉的事件，绝大多数都真实地发生过，完整地记录在病历里，只是从来没有被转换成一条报告。

药物警戒与上市后评价正在发生一次位移——从等待临床上报，转向主动进入数据；从"有没有收到报告"，转向"数据里还藏着什么"。触发器负责把范围收窄，大模型负责把上下文读懂，药师负责守住专业的最后一道关，数据治理与机器学习负责把结论沉淀成可复用资产。四个角色各司其职，缺一个都不成立。

当然，再好的模式也有边界。院内主动监测既代替不了随机对照试验，也覆盖不了所有品种。真正稳妥的做法，是结合产品自身的风险特征来选择：确有"隐性漏报"风险的品种早做布局，本就不适用的情形不必勉强，再与其他研究手段互相印证，共同构成完整的全生命周期证据链。

09 参考文献

① 刘宏尉、颜志文、陈叶莉《多维度主动监测提升药品不良反应发现率的实践》，《中国卫生标准管理》2025 年第 6 期
② 国家药品不良反应监测中心《国家药品不良反应监测年度报告（2025年）》
③ 刘宏尉、赵敏、颜志文、陈叶莉《基于主动监测系统的免疫检查点抑制剂免疫相关不良反应研究》，《现代医药卫生》2024 年第 9 期
④ 《中华人民共和国药品管理法》（2019 年修订）
⑤ 《国家药监局关于进一步加强药品不良反应监测评价体系和能力建设的意见》（国药监药管〔2020〕20 号）。
⑥ 《国家药监局关于“人工智能＋药品监管”的实施意见》（国药监综〔2026〕6 号，2026 年 4 月 2 日发布）。
⑦ 《国家卫生健康委办公厅关于印发患者安全专项行动方案（2023—2025年）的通知》（国卫办医政发〔2023〕13 号）。
⑧ 《药物警戒质量管理规范》（GVP，2021 年）。

E N D