3. 信号检测中的数据结构化与标准化
药物警戒信号检测的输入，通常不是整齐的数据库表，而是来自自发报告、临床试验、文献、社交媒体、医保理赔等多源异构数据。这些数据在进入统计检测算法之前，必须完成一次“翻译”和“净化”：把自由文本的医学描述映射到标准术语，把商品名、别名、复方成分映射到标准药物词典，把缺失、矛盾、重复的记录识别出来并处理。这一节讨论的就是这条数据准备链的核心环节——MedDRA编码、WHODrug映射、数据清洗与质量评估。
MedDRA编码：把“说法”变成“代码”
MedDRA（监管活动医学词典）是ICH维护的国际标准医学术语集，采用五级层级结构：低位语（LLT）、首选语（PT）、高位语（HLT）、高位组语（HLGT）和系统器官分类（SOC）。信号检测中，最常用的是PT和SOC两级。例如，报告原文写“吃完药后浑身起红疹、痒得厉害”，编码员需要将其拆分为“皮疹”和“瘙痒”两个PT，再分别归入“皮肤及皮下组织类疾病”SOC。
编码不是简单的字符串匹配。同一临床事件可能有多种表述，如“肝损伤”“肝功能异常”“转氨酶升高”，它们可能对应不同的LLT，但可能汇聚到同一个PT或不同PT。编码质量直接影响信号检测的灵敏度：如果“急性肾衰竭”被错误编码为“肾功能损害”，在按PT聚合时就会稀释信号强度。实际操作中，编码员应遵循“逐字逐词、不推断、不合并”的原则，对每个报告中的每个事件独立编码，并记录编码版本号（如MedDRA 26.1），因为不同版本间PT可能发生迁移。
WHODrug映射：从商品名到标准药物
WHODrug Global是药物警戒领域最常用的药物词典，其核心结构包括药物名称、活性成分、ATC代码和给药途径。与MedDRA类似，WHODrug也采用层级编码：从商品名（Trade Name）到活性成分（Substance）再到ATC分类。信号检测中，通常需要将报告中的“泰诺”“对乙酰氨基酚片”“扑热息痛”统一映射到活性成分“对乙酰氨基酚”，再关联ATC代码N02BE01。
WHODrug映射的难点在于复方制剂和商品名歧义。例如“复方感冒灵”可能含有对乙酰氨基酚、咖啡因、马来酸氯苯那敏等多个成分，映射时需要拆分为多个活性成分记录，并保留复方标识。此外，同一商品名在不同国家可能对应不同成分，必须结合报告来源国和上市许可信息判断。映射结果应记录WHODrug版本（如WHODrug Global 2024年3月版）和映射类型（精确匹配、近似匹配、人工映射），以便追溯。
数据清洗：规则与判断
清洗环节需要处理的问题通常分为四类。第一类是缺失值：对于信号检测而言，药品名称、事件术语、报告日期是必需字段，缺失则记录不可用；而性别、年龄等字段缺失可保留但标记。第二类是重复报告：同一患者、同一药品、同一事件在相近时间内的多次报告，需要根据报告ID、患者标识、事件日期进行去重，但要注意保留随访更新版本。第三类是逻辑矛盾：如“用药开始日期”晚于“事件发生日期”，或“年龄”为负数，这类记录需要标记并回退核查。第四类是单位不统一：剂量可能以mg、g、μg混用，需要统一到标准单位后再计算日剂量。
清洗规则应写成可执行的判断逻辑，而不是模糊描述。例如：
IF 药品名称 IS NULL OR 事件术语 IS NULL THEN 标记为“不可分析”
IF 事件日期 < 用药开始日期 THEN 标记为“日期逻辑错误”，回退核查
IF 同一患者ID + 同一药品 + 同一PT 在7天内出现多次 THEN 合并为一条，保留最新随访信息
IF 剂量单位 = 'g' THEN 剂量_mg = 剂量 × 1000
IF 剂量单位 = 'μg' THEN 剂量_mg = 剂量 ÷ 1000清洗日志必须完整记录每条被修改、合并或剔除的记录及其原因，确保从原始数据到分析数据集的全链路可追溯。这是药物警戒审计和监管核查的基本要求。
质量评估：用指标判断数据是否可用
数据准备完成后，需要用一组量化指标判断其是否达到信号检测的输入要求。常用的指标包括：MedDRA编码一致率（抽样复核编码员之间或与金标准的一致性）、WHODrug映射覆盖率（成功映射到活性成分的记录比例）、关键字段缺失率、重复报告率、日期逻辑错误率。这些指标应设定阈值，例如编码一致率不低于95%、映射覆盖率不低于98%、关键字段缺失率不高于2%。若任一指标不达标，应回退到对应环节重新处理，而不是带着已知缺陷进入信号检测。
需要特别注意的是，质量评估不是一次性动作。在信号检测过程中，如果发现某类事件或某类药品的信号异常集中，应回溯检查是否存在编码偏倚或映射错误。例如，某药品的“肝损伤”信号突然增强，可能是因为近期报告集中使用了“转氨酶升高”这一LLT，而它被映射到了与之前不同的PT。这种“信号”可能来自数据准备环节的变化，而非真实的药物风险变化。因此，质量评估指标应随检测批次持续监控，并与信号检测结果形成反馈闭环。
总结来说，MedDRA编码解决“事件是什么”，WHODrug映射解决“药品是什么”，数据清洗解决“记录是否可信”，质量评估解决“数据是否可用”。这四个环节共同构成信号检测的数据地基。地基不牢，后续的统计检测方法再精细，也可能被噪声淹没或产生虚假信号。