2. 药物警戒数据来源与采集工程

药物警戒信号检测的质量，首先取决于进入分析管道的“原料”是否可靠、完整、可追溯。本节讨论五类核心数据源——自发报告、电子健康记录（EHR）、理赔数据、文献与社交媒体——在接入与治理层面的工程要点。理解它们的差异，是后续信号挖掘、混杂控制与因果评估的前提。

五类数据源的本质差异

自发报告系统（如国家药品不良反应监测系统、企业上市后个例报告）以“可疑即报”为原则，核心价值在于发现罕见、严重、非预期的不良反应。它的优势是信号灵敏度高、能捕捉新发风险；局限是漏报严重、分母缺失、报告质量参差，无法直接计算发生率。EHR 提供真实诊疗过程中的诊断、检验、用药、病程记录，具备时间序列和人群分母，但数据分散在多个系统、编码口径不一、非结构化文本占比高。理赔数据以结算为目的，覆盖住院、门诊、药品费用与诊断编码，样本量大、随访连续，但诊断编码受支付规则影响，存在“高编”“低编”和滞后。文献是经过同行评议的个案与队列证据，质量高但发表偏倚明显、时效滞后。社交媒体（论坛、患者社区、短视频评论）反映患者主观体验与用药场景，能捕捉说明书外用法、依从性问题与早期抱怨，但噪声大、身份不可核实、缺乏临床确认。

接入工程：从原始数据到可用记录

接入不是简单地把数据“拉进来”，而是要让每条记录在进入分析前具备可识别、可对齐、可追溯的属性。以自发报告为例，一份个例报告进入系统后，需要完成报告类型判定（初始/随访）、患者基本信息脱敏、可疑药品与合并用药的字典对齐、不良反应术语的 MedDRA 编码、严重性判定与因果关系初评。工程上通常建立字段映射表，把不同来源的报告模板映射到统一数据模型，例如将“报告日期”“发生日期”“用药开始日期”分别落到时间轴的不同节点，避免后续时序分析时混淆。

EHR 接入的难点在于多源异构。一家医院可能同时存在 HIS、LIS、RIS、电子病历文书等多个系统，同一患者的用药记录可能分散在医嘱、护理执行单和出院带药中。工程做法是先建立患者主索引（EMPI），用身份证号、就诊卡号、姓名+出生日期等组合键做概率匹配，再按就诊维度聚合事件。检验结果需要统一单位与参考区间，诊断需要映射到 ICD-10 或 SNOMED CT。对于非结构化病程记录，可采用规则抽取加人工复核的方式提取“疑似不良反应”描述，但必须保留原文出处和抽取置信度。

理赔数据的接入重点在于理解支付逻辑对编码的影响。住院病案首页的诊断编码通常按主要诊断、其他诊断排列，而门诊理赔可能只保留结算诊断。工程上需要区分“临床诊断”与“结算诊断”，对同一患者多次理赔记录按时间排序，识别重复就诊、分解住院和转院连续治疗。药品费用记录要与药品字典对齐，注意商品名、通用名、剂型、规格的归一化。

文献接入通常通过 PubMed、Embase、CNKI 等数据库的 API 或批量导出实现，需要建立检索策略、去重规则和纳入排除标准。社交媒体接入则更偏向流式采集，通过关键词、话题标签和药品名称监听公开帖子，但必须遵守平台条款与隐私法规，只采集公开内容，不尝试识别个人身份。

治理工程：质量、标准与合规

治理层要解决四类问题：标准化、去重、质量校验和隐私合规。标准化包括术语标准化（MedDRA、WHO Drug、ICD）、时间标准化（统一时区与日期格式）、数值标准化（单位换算、参考区间对齐）。去重既要处理同一报告的多版本，也要处理同一患者在不同数据源中的重复记录，常用策略是“主键匹配+模糊匹配+人工仲裁”。

质量校验应覆盖完整性、一致性、及时性和合理性。完整性检查关键字段缺失率，例如自发报告中“药品名称”“不良反应”“报告日期”的缺失比例；一致性检查同一记录内部矛盾，如用药结束日期早于开始日期；及时性检查从事件发生到报告录入的延迟分布；合理性检查极端值、重复值和逻辑冲突。对发现的问题应标记质量等级，而不是直接删除，以便在分析时按质量分层或做敏感性分析。

一个可参考的接入治理检查清单

实际工程中，接入与治理往往需要迭代。第一轮先保证关键字段可用，第二轮再提升编码覆盖率和去重精度，第三轮引入质量评分和自动化监控。无论哪一轮，都应保留原始数据快照和变换日志，使任何一条进入信号检测的记录都能回溯到它的来源和加工过程。这是药物警戒数据可信度的底线，也是后续所有统计分析与因果判断能够成立的基础。