欢迎访问上邦|专注企业 AI 数字化转型落地 · 咨询热线 400-667-6771
免费咨询
首页 / 资讯中心 / 技术干货 / 文章详情
技术干货

药物警戒个例报告处理,把 MedDRA 编码留给人审

上邦数据团队2026-11-17阅读 约 11 分钟
ICSR 处理占 PV 预算大头,瓶颈在非结构化叙述的录入与编码。本文给出可复现的人机协同流水线:大模型抽取结构化字段、MedDRA 候选码加置信度、叙述初稿与人工签发,并给出结构化输出示例。结合 VigiBase 数据量与 ICH 报告时限,说明为何因果判断必须由人做出,以及脱敏药企的案头时间改进。
药物警戒(PV)的个例安全性报告(ICSR)处理,占掉了 PV 预算的大头,瓶颈在大量非结构化叙述的人工录入与编码。可复现的解法是:用大模型先从邮件、呼叫中心记录、PDF 等自由文本中抽取结构化字段——患者特征、怀疑药、不良事件、发生日期、结局与时间线,把 MedDRA 编码作为“建议码”输出,最终由具备资质的案例专员复核确认。这条路径成立的前提是有稳定的抽取与审计流水线,而不是让模型直接下结论。私有化部署加流程改造通常 4 到 8 周可跑通试点。最容易踩的坑有两个:让模型自动判定因果关系,这在监管上不被允许;以及忽视严重案例 15 天、致死或危及生命案例 7 天的报告时限,把效率工具做成合规负担。

ICSR 处理为什么是天然瓶颈

据公开资料,世界卫生组织乌普萨拉监测中心的全球安全数据库 VigiBase 已收录超过 4000 万份 ICSR,且每年以约 15% 至 20% 的速度增长;美国 FDA 的 FAERS 系统存量超过 3200 万份、每年新增逾 200 万份。规模压力之下,人力无法同比扩张。与此同时,监管对时限是硬约束:严重案例通常需在 15 天内报告,致死或危及生命案例更短。行业分析普遍认为,录入、医学编码与叙述撰写这类“案头工作”消耗了 PV 预算的相当大比例,而真正的科学判断——信号评估与因果分析——反而被挤压。这就是 AI 应当切入的地方:把案头工作自动化,把判断留给专业人员。

一条可复现的抽取与编码流水线

流水线的第一步是字段抽取。把自由文本交给大模型,要求其按预定义结构输出,缺失信息明确标为“未知”而不是猜测;第二步是术语编码,把不良事件描述映射到 MedDRA 首选术语(PT)与最低层级术语(LLT),系统给出候选码并附置信度;第三步是叙述草稿,用结构化字段生成病例摘要初稿;第四步是人工复核与签发,每一步都记录“机器建议”和“人工决定”两个版本。下面是字段抽取的结构化输出示例(示意代码,字符串用单引号):
from pydantic import BaseModel
from typing import List, Optional

class ICSR(BaseModel):
    patient_age: Optional[str]
    patient_sex: Optional[str]
    suspect_drug: Optional[str]
    adverse_events: List[str]
    onset_date: Optional[str]
    outcome: Optional[str]
    dechallenge: Optional[str]  # 停药后转归,未知则填 'unknown'

# 调用本地/私有化大模型,让其按 ICSR 结构输出 JSON;
# 抽取结果仅作为草稿,必须经案例专员复核后才可提交。
这里有一条来自实践的设计原则:每一次人工接受或修改机器给出的编码,都应作为反馈信号沉淀下来,逐步形成该产品特定的不良事件画像,让下一轮抽取更准。据公开技术文章,AI 辅助的 MedDRA 编码在简单案例上已可接近资深案例专员水平,在复杂案例上提供可用的“第一遍编码”,但治理要求是每一条 AI 建议码都必须由具备资质的人员复核接受或修改,并同时记录建议与最终决定——这正是审计轨迹的来源。
人机协同处理 ICSR 的要点清单:
1. 抽取阶段:缺失字段标“未知”,禁止模型补全不存在的信息。
2. 编码阶段:MedDRA 码仅作建议,由合格编码员确认后方可提交。
3. 叙述阶段:大模型生成初稿,专员核对事实准确性,杜绝幻觉细节与遗漏。
4. 时限阶段:系统按严重性自动计算报告倒计时,严重 15 天、致死或危及生命 7 天。
5. 留痕阶段:记录每次机器建议、人工决定、模型版本与验证结果,形成可审计证据链。

脱敏项目里的收益与边界

某药企药物警戒团队约 25 人,过去单例 ICSR 从收到报告到完成录入、编码与叙述初稿,平均需要数小时到一天不等,高峰期严重依赖加班。团队用约六周时间搭建抽取与编码辅助流程:先用历史脱敏病例校准字段抽取,再把 MedDRA 候选码与人工确认结果成对记录,叙述初稿由大模型生成后人工改写。试运行一个季度后,常规病例的案头处理时间降到原来的约三分之一,案例专员把更多时间放在因果关系与信号评估上。数字为该企业内部对比,属于可核实的量级改进,且始终保留人工签发环节。把产品说明书、历史病例与编码规则做成可检索的合规知识库,能让新入职专员快速查到编码口径与相似案例,进一步缩短上手周期。
审计轨迹之所以关键,是因为 GxP 环境下“模型说的”不能作为合规依据。据公开资料,早期药物警戒 AI 项目失败的一个结构性原因,正是输出缺少可追溯的推理链——每一次机器建议、每一次人工修改、每一个模型版本与验证结果,都应结构化地留存在系统里。这样做还有第二重收益:当监管部门检查或内部复盘时,合规证据不再是从多个系统临时拼凑的材料,而是日常工作的自然副产品。把 MedDRA 版本、编码口径与常见判定分歧整理成可检索的合规知识库,能让不同专员的编码尺度趋于一致,也便于新人培训时对照历史判定。
流程设计上还有一个容易被低估的细节——连续处理取代批处理。传统模式下病例按日在队列里累积、集中处理,容易出现高峰积压与报告时限风险;AI 辅助后可以做近实时的分诊:新病例一到,系统先判断严重性、抽取字段、给出候选编码,把紧急且复杂的病例顶到队列最前,常规病例预处理好等待快速复核。有公开资料把这一变化概括为从“病例处理者”转向“病例评估者”:专员的日常不再是录入与排版,而是审核、判断与在必要时推翻 AI 的建议。这对团队能力提出更高要求,也意味着培训重点要从操作技能转向临床判断与风险识别。

统计信号不等于因果,边界要写进系统

需要特别强调的是边界。据公开资料与行业共识,统计信号只是聚合报告中提示的统计关联,并不构成“某药导致某反应”的因果结论;按世界卫生组织与 ICH 的术语定义,信号本身就需要后续的医学因果评估。因此 AI 在信号检测环节的输出,应明确标注为“需医学因果复核”,而不是可直接对外沟通的结论。多篇公开研究也指出,大模型在 ICSR 因果要素抽取上可以与人工评估有一定一致性,但在关键因果要素上仍存在明显分歧,最终因果判断必须由具备资质的人员作出。把这条边界写进系统提示与界面文案,是合规部署的前提,而不是可选的谨慎。

参考来源

ICH E2A:Clinical Safety Data Management - Definitions and Standards for Expedited Reporting - 国际人用药品注册技术协调会(ICH)
Generative Artificial Intelligence and Large Language Models in Pharmacovigilance: Current Applications, Challenges and Future Perspectives - International Journal of Pharmaceutical Sciences
Intelligent Automation Improved Efficiency in Pharmacovigilance Safety Signal Assessment - Clinical Pharmacology & Therapeutics(Wiley)
相关标签:药物警戒ICSRMedDRA医药 AI

免费咨询上邦技术顾问

一对一上邦方案顾问对接 · 免费定制企业专属 AI 数字化转型方案

立即获取上邦方案