AI评分系统从文献中检测药物相互作用

Innovative Insights in Digital Health · 2026-10-15 · 期刊论文

• 一句话结论：该系统在药物相互作用（DDI）检测任务上，对药物家族类查询表现较好（F1 0.872），单药与药物-药物查询次之，提示AI-NLP方法可作为传统数据库的补充检索手段，但证据档位为C，尚不足以替代人工审编数据库。
• 研究设计与做法：研究为方法学开发与验证研究，构建NLP流水线：基于微调BERT的句子分类模块与开源生物医学NER模型，并设计加权相关性评分（标题50分、DDI影响40分、出版类型10分）；在人工审编数据集上验证，覆盖15类查询、7751篇文章，未报告随访时长（材料未报告）。
• 主要结果：ROC分析确定相关性评分阈值为75%；药物家族查询F1最高0.872，单药0.731，药物-药物0.684；ANOVA与Tukey事后检验显示标注组间相关性评分差异p＜0.05，药物-药物家族查询三组间完全分层；与人工专家参考列表相比检索到更多相关文献。
• 机制或解释：作者解释为：NLP与AI可实时、自动化地从生物医学文献中识别新出现的相互作用，弥补人工维护数据库更新滞后与遗漏的不足，并通过评分对文献重要性排序以支持临床决策。
• 局限与边界：局限包括：验证依赖人工审编数据集，未报告外部多中心验证；未报告随访或前瞻性临床结局；评分权重由领域专家设定，可能存在主观性；利益冲突与资金来源材料未报告。
• 可否落地：落地含义：作为临床决策支持的辅助检索与优先级排序工具，证据档位为C，属「提示」级别；可用于科研文献筛选与数据库补充，但不宜据此直接改变临床用药决策，需前瞻性验证。

🔗 打开原文

Charbel Alhelou, Nour Allam

本文摘自《每日前沿研究简报 · 2026-10-17》「信息科学」。本内容仅用于研究信息整理与科普交流，不构成医疗建议。