大數據在臨床藥學的相關應用與展望

楊謹成，王會凌，費小非

（國家癌癥中心·中國醫學科學院北京協和醫學院腫瘤醫院藥劑科，北京 100021）

·專論·

大數據在臨床藥學的相關應用與展望

楊謹成，王會凌，費小非

（國家癌癥中心·中國醫學科學院北京協和醫學院腫瘤醫院藥劑科，北京 100021）

目的通過闡述大數據給臨床研究帶來的思維變革，為臨床藥學學科發展提供新思路、新方法。方法查閱相關文獻資料，結合臨床數據特征和臨床藥師現狀，探討大數據分析模式與臨床藥學研究的切入點及應用，以及臨床藥學大數據架構的創建和處理方案、實施的一般方法，同時分析健康大數據資料的新來源。結果大數據對提高疾病診療質量有很大潛力。大數據在臨床藥學中藥品不良反應、長期用藥、聯合用藥、藥物相互作用、個體化給藥等研究方面有很好切入點，可有效提高用藥合理性、個體化精準用藥、改善患者預后。結論大數據研發尚處于初步階段，探索基于大數據的解決方案，是目前促進臨床藥學學科發展的有效途徑，提升臨床藥學服務質量和開拓臨床藥師發展空間的重要手段，對臨床藥師的專業素質也提出了更高要求。

大數據；臨床藥師；臨床藥學

《大數據時代》指出：一種新的分析、處理數據的方式正在悄然改變我們的思維方式，讓我們以新的方式方法去認識、理解世界[1]。大數據不再追求精確度和因果關系，而是承認混雜性，探索相關關系。在醫藥領域，利用大數據的研究方法，可以幫助臨床藥師分析處理海量病案數據、分析用藥信息。

1 大數據對臨床藥學研究的意義

1．1 大數據的特點

大數據時代給數據本身帶來了3個轉變。

數量更多：需要分析某個現象／事件更多的相關數據，甚至是全體數據；在處理全體數據情況下，所得結果就是真實世界的情況。

內容更繁雜：由于研究的相關方面、數據的形式和獲得方式多種多樣，數據本身就更繁雜，這就要求采集者必須容納數據的多樣性。

相關性更易得：由于涉及到研究數據的各個方面，事物本身的內在特性和外部聯系就顯而易見[1]。

1．2 臨床大數據的特點

符合大數據標準：1)醫院及患者的年數據量巨大(volume)，包括醫院的年門急診量、年住院量、年手術量，同類患者的各類檢查、用藥種類及方案、病史用藥史，患者個體化給藥情況、各種檢查結果、護理、生活習性，相互交織影響。由于就診患者人次增多，數據量增長快，需要對患者、疾病的處理響應速度也需要加快(velocity)。2)數據來源及形式多樣(variety)，描述文本、圖片影像、視頻、甚至基因序列數據并存。有的數據如常規的檢查項目、用藥記錄及預后、護理記錄，數據量大，需綜合評估才能得出結論，體現其潛在價值(value)[1－3]。

自身特點：1)當前病歷記錄的是絕大部分相同或類似患者的情況，對此部分數據進行分析可以描述臨床用藥的群體特征；2)病歷記錄中，用藥醫囑可反映該醫院或該領域醫生的選擇傾向，也可提示用藥方案或某種藥品在治療中的價值；3)臨床大數據的評估指標中，臨床藥師的首要任務是關注合理用藥，即藥物使用的安全性、有效性、經濟性，而藥物的使用情況與患者病情的進展一并記錄在病歷資料中[4－5]；4)臨床數據有其特定的管理標準[6]。

病歷數據的自身缺點：1)準確性較低，同一事件數據描述方法多樣、錄入可能錯誤、某些數據前后不一致；2)相關數據缺失多，完整性較差，尤其是患者預后的治療評價信息的缺失；3)描述性語言標準不統一[2]?？紤]到這些數據在隨機抽樣小數據模型中難以發揮作用，臨床醫務工作者應該充分利用電子病歷(electronic medical record，EMR)系統和健康數據庫，提高藥學服務質量，深入臨床藥學工作。

2 醫院臨床藥師的現狀

作為醫院的“三駕馬車”(醫、藥、護)之一，臨床藥學是藥劑科發展的重點方向，也是醫院藥學未來發展的重點。目前，我國醫院藥學發展存在的問題在于：醫院對藥學的重視程度不夠；臨床藥師與臨床藥學實驗室基礎設備條件欠缺；藥劑人員的知識結構、科研能力、業務能力有待提高；藥劑科的管理模式有待改革等[7]。“以患者為中心”，提高臨床服務質量是藥師核心價值的重要體現，也是臨床藥學學科發展的主要方向[8]。通過大數據應用、病歷資料分析，為臨床藥師開辟了一條新的科研、工作模式。這不僅要求臨床藥師具有數據統計分析的能力，還要有用藥判斷和療效評估的能力，從而有助于提高臨床藥學學科水平和促進學科發展進步。

3 大數據分析模式在臨床藥師科研、工作中的應用

3．1 優勢

利用傳統方法進行聯合用藥的綜合評價的局限性在于：1)由于各種藥品組合數量龐大，臨床試驗又需要較多的科研經費，不可能對每個種類和劑量的組合進行一一對照研究，很多情況可能被忽略，因此使用傳統的以隨機、對照、雙盲(RCT)為基礎的方法研究耗費資源多且進展緩慢。2)傳統方法處理的角度僅是在確定入組條件的情況下，對兩種不同聯合用藥方案進行一維比較，無法綜合各方面因素進行全方位多維度的篩選和對比。病歷中的癥狀收集帶有很強的主觀性，準確性很大程度上取決于臨床醫師的學識與經驗；癥狀變量繁多且具有復雜的相關性[9]。這需要將各維度的因素聯系起來分析才能得到客觀準確的結果。

如果能對某一類疾病或某一類患者病歷資料以大數據分析方法進行全方位分析比較，轉化為有效的科研數據，將節約大量研究成本，加快研究速度。大數據能克服傳統臨床試驗的缺點，能快速、準確、低耗地對藥物使用、臨床療效進行評估。大數據需要接受的是全體數據，包括混雜和非結構化的數據。在數據量足夠的情況下，通過電子化、規范化，這些數據之間可形成相互印證、相互補充、相互校正的模式，可彌補對目前臨床病歷現有的一些主要缺陷，從而開展臨床藥學研究[10]。

3．2 應用

3．2．1 藥品不良反應(ADR)評價

目前，我國采用的ADR自發呈報程序是藥物上市后監測的最簡單、常用的形式，是建立數據庫、收集數據、利用大數據的正面例子。其他呈報程序，如集中監測系統、記錄連接系統、藥物流行病學研究等存在費用高、花費人力物力多、代表性不強、延時長等缺點[11]。大數據模式下，信息反饋后，通過綜合評估、校正，臨床藥師鑒別可避免的ADR并早期監管和高風險藥物患者。藥師可以基于電子病歷中患者的醫療史、用藥史、生活習性、ADR發生事件的環境、選擇性病因學及文獻綜述，以時間軸為導線，對藥物治療進行多因素綜合立體評價[12－13]。

3．2．2 藥物長期、聯合使用與藥物相互作用分析

長期用藥和聯合用藥過程中常見藥物相互作用的問題，相關數據的采集是臨床藥師的工作重點。建立藥歷是臨床藥師的重要工作內容，也是收集患者用藥信息大數據的重要方法。臨床藥學服務過程中，臨床藥師通過詢問患者的現病史和既往史，記錄患者使用過的藥品，建立門診藥歷，為長期隨訪患者的相關數據采集奠定基礎。書寫藥歷時，除患者個體基本特征和治療方案外，在藥物的治療記錄中應對用藥時間、藥物名稱、用法用量進行詳細記錄，保證結果的規范和準確[14]。同時，整理住院患者人口學信息、用藥信息、診療信息、檢查結果，使這些信息電子化、規范化，綜合整理這些聯用方案和患者靶器官情況、其他合并癥等病理生理狀況。

長期用藥：近10年來，大量研究從劑量、療程、骨折部位等多方面評價了質子泵抑制劑(PPIs)誘發骨折、胃腸道腫瘤、嗜中性白細胞減少癥等其他風險[15]。這種從已報道的文獻／實踐中綜合觀察分析的分析方法已經開始應用大數據相關性研究的方法。

聯合用藥：如抗高血壓的二聯、三聯、四聯用藥方案指南的制訂[16]。非甾體抗炎藥(NSAIDs)與抗高血壓藥使用在老年患者人群中十分普遍[17]。藥物聯用方案的選擇，應同時考慮各類藥物的降壓效果和相應的不良反應，靶器官耐受情況、合并癥、生理生化代謝異常及相互作用等。大數據的分析模式就是要找出ADR、生化檢測結果等因素與療效的關系。

藥物相互作用：目前，對不能使用二甲雙胍的2型糖尿病患者的其他聯合治療方案尚未達成一致。有學者綜述了24年來的各類文獻，認為該情況應該考慮體質量、低血糖風險并且對危險人群進行個體化治療，若不了解聯用藥物之間的相互作用尤其是降血糖方面的協同或拮抗作用，則可導致血糖控制不佳，從而影響疾病的治療[18]。收集大量相關文獻的研究方法，縱向比較相關結果，體現了大數據的大容量(volume)特性，納入的數據越多，分析的角度越全面，得出的結論越準確。

3．2．3 個體化給藥方案設計

抗腫瘤藥物的治療窗一般都比較窄，藥物相關的毒性和抗腫瘤治療效果在不同患者中差異明顯。因此，選擇和優化個體化治療方案成為臨床治療的新趨勢。群體分析和Bayesian方法更能支持方案優化，因為群體分析不僅收集了實驗設置中富集的數據，同時還收集了例行臨床設置中零散的數據[19－20]。個體化給藥方案是基于大量病例參數的結果。大數據“樣本＝總體”的思路，可最大程度上精確化最初的參數，有利于更好設計個體化給藥方案。如果前期納入的是研究對象的全體數據(大數據)，那么這種通過后期模型制訂的個體化給藥方案就非常準確，實驗預測的精確性將會得到很大的提高。

3．2．4 合理用藥建議

基于前期對藥物使用的大數據研究結果，藥師可總結出某種疾病的常規用藥規律、某種藥物常見的治療效果和ADR、某類醫生的用藥習慣及患者預后等臨床信息；針對常見的臨床用藥不合理情況，面向醫護人員，臨床藥師可定期開展藥學知識講座；而對于患者，臨床藥師可定期或不定期進行合理用藥宣傳。針對患者進行用藥評估，針對臨床藥歷進行用藥質量評價，提供循證藥物信息和治療進展，通過數據的積累、總結分析，以便針對不同患者進行差異化治療[21]。

4 臨床大數據的研究方法

4．1 大數據的一般研究方法

一般情況下，電子數據從獲取到決策需要經過數據提取、數據清洗、數據轉化、數據建模及挖掘，數據模型評價及優化等過程，形成“知識”后，才能成為決策的依據[2]。其中，最重要、最基礎的是數據的來源及挖掘。目前臨床大數據的分析方法處于初始階段，尚無統一的模式；大數據得到的臨床分析結果，還需由臨床科研工作者確認、證實分析方法的正確性[22]。大數據雖然允許不精確，但還是要減少錯誤、保證數據質量，剔除一定的垃圾數據，以維護數據的完整性和準確性。

4．2 大數據架構的建立[23]

見表1。

表1 大數據架構的建立

4．3 臨床大數據的實施步驟

確立研究目標：是分析某一類藥物的治愈率還是不良反應發生率，是分析藥物對某一類特殊人群還是對某種特定不相關癥狀的療效。

確定評價指標：可參照循證藥學的證據等級，確定分析對象的相關性。

關鍵技術系統設計：即技術選型和技術切入，即按照多樣性、容量性或速度型進行切入分析。

試用和評估：進行已知結果的關系分析，驗證系統設計和技術選型的正確性。

推廣：將經過驗證的分析系統推廣到其他類似的研究目標中[2]。

5 醫藥大數據的新來源

除醫院病歷等數據是常規來源外，在互聯網時代，數據還有許多新的來源[24－25]。作為智能手機和上網瀏覽的副產品，作為實時監測，這些健康數據可以作為醫院數據的補充。

大數據是研究對象各個方面數據的總集。例如，將定期體檢結果與個人消費數據(如信用卡數據、個人財務支出)結合，能發現生活特點與健康的關系，指導健康消費。在醫院病歷數據基礎上，若再加上移動終端，能隨時隨地對人們進行機體數據監測，幫助發現潛在疾病威脅，加快患者突發疾病的處理速度等。

新的設備(如智能手環)和智能手機的應用程序，能夠實現連續追蹤記錄身體活動的功能，從而構成了一個新的人口健康大數據源。通過電子健康檔案和電子病歷建立健康大數據[26－27]。通過“量化自我”“追蹤自我”，收集和分析自身的數據信息，如果結合電子病歷的健康信息，這些數據可用來進行身體活動如何影響健康的研究，挖掘分析這些數據得到個體的健康信息并進行疾病預警，從而將影響健康的因素進行關聯，更好地進行健康指導[28]。

借助或佩戴專門的設備，可每天隨時獲得自己的脈搏、呼吸、血壓、血糖以及睡眠等數據，甚至是根據不同的身體條件，個性化定制一系列身體生理指標，并可將這些測量結果發送到智能設備終端進行分析與處理，或直接傳送給醫療機構，再接收回傳的診斷信息或建議。

6 展望

對于提高疾病診療質量大數據，有著極大的潛力，對臨床疾病的治療和研究目前正以驚人的速度發展。大數據應用的數據來源主要有行政數據(如ICD－10編碼)、生物標志物、計量生物學、臨床注冊中心、電子健康檔案、網絡數據、醫療影像(如 CT，MRI，PET等)和患者自述情況等。傳統的臨床用藥方法受到大數據的挑戰，如何最好地運用這些數據為臨床藥學服務、提高臨床用藥合理性，正是當前研究和應用的熱點。而大數據可以幫助臨床藥師應對當前的數據爆炸，提供有效的分析手段，指導更有效合理的臨床用藥。臨床藥學大數據的優勢在于，通過匹配推薦的治療用藥方案來推測風險和收益、發現病例，從多維度監測疾病進展，不僅可以管理個體用藥，也可以管理群體用藥；利用整體大數據發現規律，利用個體化“小數據”進行個體化精準醫療。

目前，大數據的研發尚處于初步階段，也有自身的弱點，如預測模型分析方法的有效性和穩定性，有些觀察性數據選擇偏差帶來的固有局限，也可能帶來對真實世界認識的偏差。大數據分析方法的更新和自我完善不僅是統計學問題，更多的是臨床藥師對藥物及其效果的認識深度和廣度相關的拓展，這也對臨床藥學的發展和臨床藥師的專業素質提出了更高的要求。

[1]盛楊燕，周 濤．大數據時代[M]．杭州：浙江人民出版社，2013：27 － 94．

[2]蔡宏偉．臨床數據為臨床研究帶來的新機遇[J]．中國信息界(e 醫療)，2014（8）:48．

[3]Listl S，Jürges H，Watt RG．Causal inference from observational data[J]．CommunityDent＆ OralEpidemiol，2016，44(5):409 － 415．

[4]孫華君，顧之睿，車大鈿，等．基于臨床大數據的兒童呼吸道感染與抗菌藥物應用分析的效果研究和疾病模式分析[J]．中國信息界(e醫療)，2014（6）:54 －57．

[5]Taglang G，Jackson DB．Use of″big data″in drug discovery and clinical trials[J]．Gynecol Oncol，2016，141(1):17 － 23．

[6]陳 昕，章蘊毅，張 薇，等．實現不良事件數據人工檢查的半自動化[J]．中國臨床藥學雜志，2013，22(5):303－308．

[7]楊謹成，楊 ，何鐵強．美羅培南與頭孢曲松鈉國內外藥品說明書對比分析[J]．中國藥業，2014，23(12):8－10．

[8]吳永佩，顏 青．臨床藥學學科建設的內涵、范疇和發展趨勢[J]．中國臨床藥學雜志，2014，23(3):133 －136．

[9]王 宇，賈振華，吳以嶺，等．無指導的中醫證候診斷數據的隱變量分析[J]．數理統計與管理，2008，27(5):938－944．

[10]Zhang ZH．Big data and clinical research:focusing on the area of critical care medicine in mainland China[J]．Quant Imaging Med Surg，2014，4(5):426 － 429．

[11]Altowaijri A，Phillips CJ，Fitzsimmons D．A systematic review of the clinical and economic effectiveness of clinical pharmacist intervention in secondary prevention of cardiovascular disease[J]．J Manag Care Pharm，2013，19(5):408 －416．

[12]楊謹成，賈 貝，陳 偉，等．化療藥物引起血糖變化的文獻計量分析[J]．中國藥房，2016，27(11):1561 －1565．

[13]American Society of Health － System Pharmacists．ASHP guidelines on adverse drug reaction monitoring and reporting[J]．Am J Health－Syst Pharm，1995，52(4):417－419．

[14]Taras－Zasowski KM，Einarson TR．Review of Canadian pharmacist involvement in adverse drug reaction reporting[J]．Can J Hosp Pharm，1989，42(3):105 － 108．

[15]Reimer C．Safety of long－ term PPI therapy[J]．Best Pract Res Clin Gastroenterol，2013，27(3):443 － 454．

[16]Sato N，Hasebe N．Fixed － drug combinations for hypertension[J]．Nihon Rinsho，2014，72(8):1477 － 1484．

[17]Kalafutova S，Juraskova B，Vlcek J．The impact of combinations of non－steroidal anti－inflammatory drugs and anti－hypertensive agents on blood pressure[J]．Adv Clin Exp Med，2014，23(6):993－1000．

[18]Goldman－Levine JD．Combination therapy when metformin is not an option for type 2 diabetes[J]．Ann Pharmacother，2015，49(6):688－699．

[19]Zandvliet AS，Schellens JH，Beijnen JH，et al．Population pharmacokinetics and pharmacodynamics for treatment optimization in clinical oncology[J] ．Clin Pharmacokinet， 2008， 47(8):487－513．

[20]Xue L，Zhang WW，Ding XL，et al．Population pharmacokinetics and individualized dosage prediction of cyclosporine in allogeneic hematopoietic stem cell transplant patients[J]．Am J Med Sci，2014，348(6):448 － 454．

[21]孟潤堂，羅 藝，宇傳華，等．健康大數據在公共衛生領域中的應用與挑戰[J]．中國全科醫學，2015，18(35):4388 －4392．

[22]Rumsfeld JS，Joynt KE，Maddox TM．Big data analytics to improve cardiovascular care:promise and challenges[J]．Nat Rev Cardiol，2016，13(6):350 － 359．

[23]趙 剛．大數據技術與應用實踐指南[M]．北京：電子工業出版社，2013：55 － 58．

[24]MonteithS，GlennT，GeddesJ，etal．Bigdataforbipolardisorder[J]．Int J Bipolar Disord，2016，4(1):10．

[25]Jordan L．The problem with Big Data in Translational Medicine．A review of where we′ve been and the possibilities ahead[J]．Applied＆ Translational Genomics，2015，6(C):3－6．

[26]Lissovoy GD．Big data meets the electronic medical record:acommentary on″identifying patients at increased risk for unplanned readmission″[J]．Med Care，2013，51(9):759 － 760．

[27]Ross MK，Wei W，Ohno － Machado L．″Big data″and the electronic health record[J]．Yearb Med Inform，2014，15(9):97 － 104．

[28]Song TM，Ryu S．Big data analysis framework for healthcare and social sectors in Korea[J]．Healthc Inform Res，2015，21(1):3－9．

Application and Prospect of Big Data in Clinical Pharmacy

Yang Jincheng,Wang Huiling,Fei Xiaofei
(Department of Pharmacy,National Cancer Center,Cancer Hospital of Chinese Academy of Medical Sciences and Peking Union Medical College,Beijing,China 100021)

Objective To provide new ideas and methods for the development of clinical pharmacy subject by expounding ideological revolution on clinical research from big data．M ethods Through looking up relevant literatures,combining characteristics of clinical data and current situation of clinical pharmacists,the entry point between big data analysis model and clinical pharmacy research,the application of big data on scientific research and routine work,framework establishment of big data on clinical pharmacy and general processing methods were investigated,and the new resources of healthy big data were analyzed．Results Big Data had tremendous potential to improve disease diagnose and treatment quality．There were entry points of big data with clinical pharmacy in ADR,long －term medication,drug combination,drug interaction and personalized medication．It could improve rational drug usage,personalized precise medication and prognosis of patient．Conclusion Research for big data is on the preliminary stage．Solutions based on big data are effective way to promote the development of clinical pharmacy subject,to improve clinical pharmacy service quality,and it is an important method to expand fields for clinical pharmacists．Meanwhile,it proposed higher professional requirement for clinical pharmacists．

big data;clinical pharmacist;clinical pharmacy

R969；TP391

A

1006－4931(2017)19－0001－04

10．3969 ／j．issn．1006 － 4931．2017．19．001

楊謹成，男，主管藥師，研究方向為臨床藥學、藥物評價，（電話）010 － 87788581（電子信箱）Yangjc＠ cicams．ac．cn。

2017－02－08；

2017－07－14)