3. 药物领域数据源概览

做药物知识图谱，第一件事不是写代码，而是搞清楚数据从哪来。我见过不少团队，一上来就怼着PubMed猛爬，结果抽出来的实体一半是噪声。数据源选不对，后续所有质控都是白费力气。

今天我们就聊聊几个核心数据源：药品说明书、临床指南、医学文献。以及一些你可能会忽略，但特别重要的补充数据源。嗯，先说说明书吧。

3.1 药品说明书

说明书是结构化程度最高的药物数据源之一。它有法定格式，字段固定，权威性高。国内药品说明书由国家药监局（NMPA）备案，内容涵盖成分、适应症、用法用量、不良反应、禁忌等。

我在项目中遇到过最头疼的问题：同一款药，不同厂家的说明书细节不一样。比如某个中成药，A厂的说明书写了“不良反应尚不明确”，B厂的却列了五六项。你说哪个对？

所以，质控时要建立标准字段对齐策略。建议按这个清单做预处理：

• 药品通用名 — 必须统一成中国药典名称
• 商品名 — 可保留多个别名，但需标注来源厂家
• 成分/处方 — 化学药写活性成分，中成药写组方
• 适应症 — 严格按说明书原文，不要自行归纳
• 禁忌/慎用 — 人群、疾病、药物相互作用
• 不良反应 — 按频率或系统分类
• 用法用量 — 成人/儿童/老年人分列
• 贮藏条件 — 温度、避光、密闭等

举个例子，你从某药品说明书抽出来的数据，可能长这样：

{
  "药品": "阿托伐他汀钙片",
  "通用名": "阿托伐他汀钙",
  "商品名": ["立普妥", "阿乐"],
  "规格": "10mg/片",
  "适应症": ["高胆固醇血症", "冠心病"],
  "不良反应": [
    {"系统": "消化系统", "症状": "便秘、腹胀"},
    {"系统": "肌肉骨骼", "症状": "肌痛"}
  ],
  "禁忌": "活动性肝病、孕妇及哺乳期妇女"
}

这个JSON是我随便写的，但实际项目中字段会比这多不少。质控时重点查两个：一是字段有没有缺失，二是有没有多出来说明书上没有的内容。说白了，严格忠于原文。

3.2 临床指南

临床指南跟说明书很不一样。指南是专家共识，不是法规。它代表的是当前最佳实践，而不是唯一标准。我记得某年有个降压指南更新，直接把几个老药的推荐级别从“一线”降到了“备选”。如果你图谱里的推荐用药还是三年前的版本，那这个知识其实已经过时了。

临床指南的核心价值在于知识决策路径。比如：

1. 患者诊断为2型糖尿病
2. 首先评估糖化血红蛋白水平
3. 若HbA1c > 9%，推荐起始联合用药
4. 联合方案：二甲双胍 + SGLT-2抑制剂

这种流程性知识，说明书里没有，恰恰是临床最需要的。你在抽指南知识的时候，要注意几点：

• 版本日期 — 指南更新周期通常2-3年，过期内容要标记
• 推荐等级 — 强推荐、弱推荐、有条件推荐，不能混淆
• 证据来源 — 是RCT还是专家意见，置信度不一样
• 适用人群 — 成人/儿童/孕妇/老年人，别一刀切

3.3 医学文献

文献是前沿发现的宝库。药品超说明书用法、罕见不良反应、新药临床试验结果——这些说明书和指南里都没有，最先出现在文献里。

但文献也是噪声最大的数据源。为什么？

• 质量参差不齐：顶刊 vs 低分期刊，置信度天差地别
• 结论可能矛盾：A论文说有效，B论文说无效
• 抽取难度大：全文本，没有固定字段
• 时效性强：一年前的结论可能被推翻

我的建议是：文献数据不要直接入库，作为候选知识进入待审核池。经过专家评审后才能推入主图谱。你可以在实体关系上打一个标签“source_type: literature”，然后配置置信度分数。

举个例子，从文献抽取的实体关系：

# 用简单三元组表示
头实体: 瑞德西韦
关系: 超说明书用于
尾实体: 新冠病毒感染
证据: PMID 32007143, 2021
置信度: 0.75

3.4 其他不可忽视的数据源

除了上面三个，还有一些你可能会遇到的数据源：

数据源	特点	质控重点
医保目录	国家统一发布，字段规范	版本一致性，分类标准(甲乙类)
药品注册信息	CFDA数据，权威性高	批准文号格式验证，关联API
不良反应监测数据	真实世界数据，量大	去重，归一化，排除误报
药物相互作用数据库	专业库如DrugBank，结构好	映射到国内药品通用名
临床路径	医院流程标准，具有可操作性	机构差异大，需标注来源医院

我个人习惯在融合数据源前，先做一层实体对齐。比如“阿司匹林”在说明书里叫“阿司匹林肠溶片”，在指南里叫“乙酰水杨酸”，在文献里可能叫“Aspirin”。不统一对齐，后面所有质控都会乱套。

3.5 数据源选取与优先级

不同的应用场景，数据源的优先级应该不一样。比如做临床决策支持系统，指南和说明书的权重必须高于文献。做新药研发知识挖掘，文献和临床试验数据的权重就要往上提。

我画了张图，帮你理清楚各个数据源在知识图谱中的定位：

从图上你能看到，最下面一层是结构化比较好的数据源，直接融合没问题。中间层是非结构化或半结构化的，需要额外处理。最顶层才是我们最终要交付的知识图谱。