成人住院患者用藥風(fēng)險(xiǎn)預(yù)測(cè)模型的系統(tǒng)評(píng)價(jià)

中圖分類(lèi)號(hào) R952 文獻(xiàn)標(biāo)志碼 A 文章編號(hào) 1001-008（2025）10-125-06

DOI 10.6039/j.issn.1001-008.2025.10.18

Systematic review on medication risk prediction models for hospitalized adult patients

YANG Yang1，SHAN Xuefeng2，LI Haidong3，LI Yaozheng4，ZHOU Qiwen4，WANG Hongmei4（1. Dept. of Health Management Center，the First Affiliated Hospital of Chongqing Medical University，Chongqing 400016，China； 2. Dept. of Pharmacy，Bishan Hospital of Chongqing Medical University，Chongqing 402760，China；3. Dept. of Science and Technology Education and Foreign Affairs，the Affiliated Stomatological Hospital of Chongqing Medical University，Chongqing 401147，China；4. Dept. of Pharmacy，the First Affiliated Hospital of Chongqing Medical University，Chongqing 400016，China）

ABSTRACT OBJECTIVE To systematically evaluate medication risk prediction models for hospitalized adult patients and provide references for their development and clinical application. METHODS Databases including PubMed，Embase，Web of Science，CNKI，Wanfang data，VIP and CBM were searched for studies on medication risk prediction models from their inception to May 2024. After screening the literature，extracting data，and evaluating the quality of the literature，descriptive analysis was performed on the results of the included studies. RESULTS A total of 13 studies were included，involving 12 models. Nine studies used Logistic regression algorithm for modeling，and the number of included predictive factors ranged from 3 to 11；the area under the receiver operating characteristic curve ranged from 0.65 to 0.865. The literature quality evaluation results showed that 10 studies had high risk of bias；10 studies had high applicability risk. A total of 31 predictive factors were extracted，including 15 items of basic patient information，3 test indicators，and 5 items of medication information，and 8 others. CONCLUSIONS The existing medication risk prediction models for hospitalized adult inpatients are mainly Logistic regression algorithm，with predictive factors mainly focusing on basic indicators such as demographics. The overall prediction performance of the models needs to be improved， and the overall risk of bias is relatively high.

KEYWORDS hospitalized patients；medication risk；drugrelated problems；prediction model；predictive factor

藥物治療是疾病治療中最重要且廣泛的方式之一，但隨著治療藥物的廣泛使用，藥物相關(guān)問(wèn)題（drug-related problems，DRPs）和藥物傷害時(shí)有發(fā)生。2019 年，歐洲藥學(xué)監(jiān)護(hù)聯(lián)盟協(xié)會(huì)發(fā)布的DRPs分類(lèi)中，將DRPs定義為一個(gè)實(shí)際存在或可能存在的，可影響健康保健結(jié)果的藥物治療事件或情況[1]。這些事件不僅包括藥物療效不足、藥物不良反應(yīng)、藥物相互作用等，還涵蓋了患者依從性差、藥物使用不當(dāng)?shù)葐?wèn)題。DRPs 是用藥風(fēng)險(xiǎn)的具體表現(xiàn)形式，早期發(fā)現(xiàn)和識(shí)別DRPs，并從源頭上控制DRPs的風(fēng)險(xiǎn)因素，將有助于降低患者的用藥風(fēng)險(xiǎn)，提高患者用藥安全性。近年來(lái)，研究者們開(kāi)發(fā)了多種用于預(yù)測(cè)用藥風(fēng)險(xiǎn)的模型。然而，這些模型在預(yù)測(cè)因子的選擇、偏倚風(fēng)險(xiǎn)的控制及臨床的適用性方面存在較大差異，亟須系統(tǒng)梳理證據(jù)以?xún)?yōu)化模型構(gòu)建策略。基于此，本研究采用循證醫(yī)學(xué)的方法系統(tǒng)評(píng)價(jià)了成人住院患者用藥風(fēng)險(xiǎn)預(yù)測(cè)模型，分析預(yù)測(cè)模型納入的風(fēng)險(xiǎn)預(yù)測(cè)因子種類(lèi)，以及不同類(lèi)型預(yù)測(cè)模式的偏倚風(fēng)險(xiǎn)、臨床適用性等，旨在為用藥風(fēng)險(xiǎn)預(yù)測(cè)模型的開(kāi)發(fā)和臨床應(yīng)用提供參考。

1 資料與方法

1.1 納入與排除標(biāo)準(zhǔn)

1.1.1 研究類(lèi)型本研究納入的文獻(xiàn)類(lèi)型不限。

1.1.2 研究對(duì)象本研究納入的患者為年齡 ?18 歲的成人住院患者。

1.1.3 排除標(biāo)準(zhǔn)

本研究的排除標(biāo)準(zhǔn)包括：（1）重復(fù)發(fā)表的文獻(xiàn)；（2）無(wú)法獲取原文或數(shù)據(jù)信息無(wú)法提取或不完整的文獻(xiàn)；（3）致編輯信、評(píng)論、會(huì)議論文；（4）僅有影響因素分析，未構(gòu)建預(yù)測(cè)模型的文獻(xiàn)。

1.2 文獻(xiàn)檢索策略

檢索中國(guó)知網(wǎng)、萬(wàn)方數(shù)據(jù)、維普網(wǎng)、中國(guó)生物醫(yī)學(xué)文獻(xiàn)數(shù)據(jù)庫(kù)、PubMed、Embase、Web of Science 中英文數(shù)據(jù)庫(kù)。中文檢索詞為“住院患者”“藥物相關(guān)問(wèn)題”“藥物治療問(wèn)題”“風(fēng)險(xiǎn)評(píng)估”“風(fēng)險(xiǎn)預(yù)測(cè)”“預(yù)測(cè)工具”“風(fēng)險(xiǎn)評(píng)分”“預(yù)測(cè)模型”；英文檢索詞為“drug related problem”“drugtherapy problem”“medication related problem”“risk as‐sessment”“risk prediction”“predictive risk model”“predic‐tion tool”“risk score”“prediction model”。檢索時(shí)限為建庫(kù)至2024 年5 月。采用主題詞與關(guān)鍵詞相結(jié)合的方式進(jìn)行檢索，同時(shí)追溯納入文獻(xiàn)的參考文獻(xiàn)。以PubMed為例的檢索策略如下：

#1 \"risk assessment\" [MeSH Terms] OR \"risk predic‐ tion\" [Title/Abstract] OR \"predictive risk model\"[Title/Ab‐ stract] OR \"prediction tool\"[Title/Abstract] OR \"risk score\"[Title/Abstract] OR \"prediction model\"[Title/Ab‐ stract]

#2 \"drug related problem*\"[Title/Abstract] OR \"drug therapy problem*\"[Title/Abstract] OR \"medication related problem*\"[Title/Abstract]

#1 AND #2

1.3 文獻(xiàn)篩選與資料提取

采用Endnote X8.0 軟件對(duì)重復(fù)文獻(xiàn)進(jìn)行篩選，然后由2名研究者獨(dú)立篩選文獻(xiàn)，如遇分歧，則討論解決或由第3位研究者協(xié)調(diào)解決。

1.4 資料提取

使用預(yù)測(cè)模型的數(shù)據(jù)提取和質(zhì)量評(píng)價(jià)清單 進(jìn)行資料提取。提取資料包括：（1）基本特征，如第一作者、國(guó)家、發(fā)表年份、研究類(lèi)型、研究對(duì)象、DRPs 發(fā)生情況等；（2）模型構(gòu)建情況，如構(gòu)建模型的候選預(yù)測(cè)因子、連續(xù)性變量處理方法、建模或驗(yàn)證模型的樣本量、數(shù)據(jù)清洗方法等；（3）模型的開(kāi)發(fā)情況和性能評(píng)價(jià)，如建模方法、模型預(yù)測(cè)性能、驗(yàn)證方法、模型預(yù)測(cè)因子、模型呈現(xiàn)方式、受 試 者 工 作 特 征 曲 線(xiàn) 下 面 積（area under the curve，AUC）等。

1.5 納入文獻(xiàn)的偏倚風(fēng)險(xiǎn)與適用性評(píng)價(jià)

采用預(yù)測(cè)模型偏倚風(fēng)險(xiǎn)評(píng)估工具（Prediction ModelRisk of Bias Assessment Tool，PROBAST）[3]對(duì)納入文獻(xiàn)質(zhì)量進(jìn)行評(píng)價(jià)，包括兩部分。（1）偏倚風(fēng)險(xiǎn)評(píng)估：包括研究對(duì)象、預(yù)測(cè)指標(biāo)、臨床結(jié)局、統(tǒng)計(jì)方法4 個(gè)維度，共20項(xiàng)條目。評(píng)估者依據(jù)PROBAST 標(biāo)準(zhǔn)判定為：是/可能是、不是/可能不是、沒(méi)有信息。若某一維度內(nèi)所有條目均為“是”或“可能是”，則判定該維度為低風(fēng)險(xiǎn)；若存在任一條目被評(píng)定為“不是”或“可能不是”，則該維度視為高風(fēng)險(xiǎn)；當(dāng)任一條目出現(xiàn)“沒(méi)有信息”且其余條目為“是”或“可能是”時(shí)，則該維度為不清楚。當(dāng)所有維度均為低風(fēng)險(xiǎn)時(shí)，則研究整體評(píng)定為低風(fēng)險(xiǎn)；任一維度存在高風(fēng)險(xiǎn)時(shí)，則研究整體評(píng)定為高風(fēng)險(xiǎn)；任一維度存在不清楚，而其他維度為低風(fēng)險(xiǎn)時(shí)，則研究整體評(píng)定為不清楚。（2）臨床適用性評(píng)估：包括研究對(duì)象、預(yù)測(cè)因子、結(jié)果3個(gè)領(lǐng)域。評(píng)估者依據(jù)PROBAST標(biāo)準(zhǔn)判定為：低適用性風(fēng)險(xiǎn)、高適用性風(fēng)險(xiǎn)、不清楚。若所有領(lǐng)域均被評(píng)為低適用性風(fēng)險(xiǎn)時(shí)，則研究整體評(píng)定為低適用性風(fēng)險(xiǎn)；若任一領(lǐng)域被評(píng)定為高適用性風(fēng)險(xiǎn)時(shí)，則研究整體評(píng)定為高適用性風(fēng)險(xiǎn)；若存在一個(gè)或以上領(lǐng)域被評(píng)為不清楚，其余領(lǐng)域?yàn)榈瓦m用性風(fēng)險(xiǎn)時(shí)，則研究整體評(píng)定為不清楚。

1.6 統(tǒng)計(jì)學(xué)分析

對(duì)納入研究的結(jié)果進(jìn)行描述性分析。

2 結(jié)果

2.1 文獻(xiàn)篩選結(jié)果

初檢共得到相關(guān)文獻(xiàn)256篇，經(jīng)閱讀題目、摘要及全文后，最終納入13篇文獻(xiàn)[4―16]。文獻(xiàn)篩選流程見(jiàn)圖1。

圖1 文獻(xiàn)篩選流程圖

2.2 納入文獻(xiàn)的基本特征

13項(xiàng)研究中，8項(xiàng)研究為前瞻性隊(duì)列研究[4―8，10―11，13]，4項(xiàng)研究為回顧性隊(duì)列研究[12，14―16]，1項(xiàng)研究為橫斷面研究[9]；涉及老年人群或慢病人群的研究共 7 項(xiàng)[4，6，8―9，12，15―16]。13 項(xiàng)研究報(bào)道的DRPs 發(fā)生率為 14.5%～98.2% 。納入文獻(xiàn)的基本特征見(jiàn)表1。

2.3 模型建立情況

13 項(xiàng)研究均描述了納入與排除標(biāo)準(zhǔn)及候選預(yù)測(cè)因子[4―16]。10項(xiàng)研究介紹了連續(xù)性變量的處理方法或可以從統(tǒng)計(jì)結(jié)果中推測(cè)其連續(xù)性變量的處理方式[5，7―8，10―16]；2項(xiàng)研究介紹采用了多重插補(bǔ)和截?cái)喾ɑ蛱畛浞ㄌ幚砣笔?shù)據(jù)[10，13]；1項(xiàng)研究采用了敏感性分析[12]；2項(xiàng)研究采用了專(zhuān)家評(píng)估法建模[4，8]，9項(xiàng)研究采用了Logistic回歸算法建模 [5-7，10-11，13-16] ；2 項(xiàng)研究為模型驗(yàn)證研究[9，12]。共納入12 種預(yù)測(cè)模型（Ferrández 等[7]研究報(bào)道的模型為 Urbina等[5]報(bào)道的模型的進(jìn)一步應(yīng)用，計(jì)為1 種模型），所有納入模型的AUC 為 0.65～0.865 ，各模型納入的預(yù)測(cè)因子最少有3個(gè)，最多有11個(gè)預(yù)測(cè)因子。納入模型的基本特征見(jiàn)表2。

表1 納入文獻(xiàn)的基本特征

ICU：重癥監(jiān)護(hù)室；－：無(wú)數(shù)據(jù)。

表2 納入模型的基本特征

－：無(wú)；SP：特異性；SN：敏感性；PPV：陽(yáng)性預(yù)測(cè)值；NPV：陰性預(yù)測(cè)值；DART：藥物相關(guān)風(fēng)險(xiǎn)工具；MOAT：藥物優(yōu)化評(píng)估工具；MERIS：用藥風(fēng)險(xiǎn)評(píng)分。

續(xù)表2

2.4 納入文獻(xiàn)的方法學(xué)質(zhì)量評(píng)價(jià)

2.4.1 偏倚風(fēng)險(xiǎn)評(píng)估

偏倚風(fēng)險(xiǎn)評(píng)估結(jié)果顯示，在研究對(duì)象方面，7項(xiàng)研究為低風(fēng)險(xiǎn)[5―8，10―11，13]，1項(xiàng)研究為不清楚[4]，5項(xiàng)研究為高風(fēng)險(xiǎn)[9，12，14―16]；在預(yù)測(cè)指標(biāo)方面，3 項(xiàng)研究為低風(fēng)險(xiǎn)[4，9―10]，5項(xiàng)研究為不清楚[8，13―16]，5 項(xiàng)研究為高風(fēng)險(xiǎn)[5―7，11―12]；在臨床結(jié)局方面，5 項(xiàng)研究為低風(fēng)險(xiǎn)[4，8―11]，5 項(xiàng)研究為不清楚[5―7，13，15]，3 項(xiàng)研究為高風(fēng)險(xiǎn)[12，14，16]；在統(tǒng)計(jì)方法方面，2項(xiàng)研究為低風(fēng)險(xiǎn)[4，10]，2項(xiàng)研究為不清楚[8―9]，9項(xiàng)研究為高風(fēng)險(xiǎn)[5―7，11―16]。整體上，1 項(xiàng)研究為低風(fēng)險(xiǎn)[10]，2 項(xiàng)研究為 不 清 楚[4，8]，10 項(xiàng) 研 究 為 高 風(fēng) 險(xiǎn)[5―7，9，11―16]。 結(jié) 果見(jiàn)表3。

2.4.2 臨床適用性評(píng)估

臨床適用性評(píng)估結(jié)果顯示，在研究對(duì)象方面，6項(xiàng)研究為低適用性風(fēng)險(xiǎn)[5―7，10―11，13]，1項(xiàng)研究為不清楚[4]，6項(xiàng)研究為高適用性風(fēng)險(xiǎn)[8―9，12，14―16]；在預(yù)測(cè)因子方面，5項(xiàng)研究為 低 適 用 性 風(fēng) 險(xiǎn)[10―13，15]，8 項(xiàng) 研 究 為 高 適 用 性 風(fēng)險(xiǎn)[4―9，14，16]；在 結(jié) 果 方 面 ，9 項(xiàng) 研 究 為 低 適 用 性 風(fēng)險(xiǎn)[4―6，8―11，13，15]，4 項(xiàng)研究為高適用性風(fēng)險(xiǎn)[7，12，14，16]。整體上，10 項(xiàng)研究為高適用性風(fēng)險(xiǎn)[4―9，12，14―16]，3 項(xiàng)研究為低適用性風(fēng)險(xiǎn)[10―11，13]。結(jié)果見(jiàn)表 3。

2.5 用藥風(fēng)險(xiǎn)預(yù)測(cè)因子

匯總各研究納入的預(yù)測(cè)因子，排除重復(fù)因子后，得到DRPs 預(yù)測(cè)因子共31 個(gè)，包括患者基礎(chǔ)信息15 個(gè)、檢驗(yàn)指標(biāo)3個(gè)、用藥信息5個(gè)、其他8個(gè)。結(jié)果見(jiàn)表4。

3 討論

3.1 系統(tǒng)評(píng)價(jià)成人住院患者用藥風(fēng)險(xiǎn)預(yù)測(cè)模型的意義

藥物治療是住院患者疾病管理的核心干預(yù)手段，其“雙刃劍”效應(yīng)日益凸顯：藥物治療雖然能夠?yàn)榛颊邘?lái)獲益，也可能引發(fā)藥物相關(guān)傷害。因此，對(duì)住院患者的用藥風(fēng)險(xiǎn)進(jìn)行精準(zhǔn)預(yù)測(cè)，不僅有助于識(shí)別高風(fēng)險(xiǎn)個(gè)體，減少DRPs 的發(fā)生，還可以?xún)?yōu)化臨床決策，提高醫(yī)療質(zhì)量，保障患者用藥的安全性。系統(tǒng)評(píng)價(jià)用藥風(fēng)險(xiǎn)預(yù)測(cè)模型，不僅為臨床工作者提供了基于證據(jù)的風(fēng)險(xiǎn)防控工具，幫助其更好地識(shí)別當(dāng)前用藥風(fēng)險(xiǎn)預(yù)測(cè)模型中存在的不足，而且還能指導(dǎo)改進(jìn)現(xiàn)有模型，促進(jìn)住院患者用藥風(fēng)險(xiǎn)管理從傳統(tǒng)的經(jīng)驗(yàn)驅(qū)動(dòng)模式向更加科學(xué)的數(shù)據(jù)驅(qū)動(dòng)范式轉(zhuǎn)變。

表3 納入文獻(xiàn)的偏倚風(fēng)險(xiǎn)、臨床適用性及整體風(fēng)險(xiǎn)評(píng)價(jià)

表4 用藥風(fēng)險(xiǎn)預(yù)測(cè)因子匯總表

3.2 成人住院患者用藥風(fēng)險(xiǎn)預(yù)測(cè)模型的總體情況

本研究共檢索到12個(gè)預(yù)測(cè)模型，約一半的模型適用于老年人群或慢病患者，其原因可能為老年人群或慢病患者的多重用藥現(xiàn)象較為常見(jiàn)，面臨更高的用藥風(fēng)險(xiǎn)[17]。然而，值得注意的是，本研究尚未發(fā)現(xiàn)專(zhuān)門(mén)針對(duì)ICU患者的用藥風(fēng)險(xiǎn)預(yù)測(cè)模型。實(shí)際上，由于ICU患者常伴有器官功能衰竭、血流動(dòng)力學(xué)不穩(wěn)定等復(fù)雜病理狀態(tài)以及接受多種藥物的特點(diǎn)，導(dǎo)致其更容易出現(xiàn)DRPs。對(duì)于ICU患者而言，迫切需要開(kāi)發(fā)更為精確有效的用藥風(fēng)險(xiǎn)預(yù)測(cè)模型。

另外，本研究發(fā)現(xiàn)，Urbina 等[5]的模型以評(píng)分展現(xiàn)，Geeson等[10]的模型開(kāi)發(fā)了數(shù)據(jù)錄入界面，Kaufmann 等[8]的模型以患者問(wèn)卷的形式呈現(xiàn)。與傳統(tǒng)回歸方程相比，這些模型的應(yīng)用形式提高了臨床使用的便捷性和實(shí)用性。但本研究?jī)H追蹤到1個(gè)模型有進(jìn)一步的臨床應(yīng)用，即 2018 年 Ferrández 等[7]的研究結(jié)果為 2014 年 Urbina等[5]報(bào)道的模型的大樣本驗(yàn)證。本研究未追蹤到其他模型有進(jìn)一步臨床應(yīng)用的文獻(xiàn)發(fā)表，其原因可能為研究者未做后續(xù)研究，或正在進(jìn)行模型后續(xù)研究但尚未發(fā)表，或后續(xù)研究以其他形式傳播等。

3.3 成人住院患者用藥風(fēng)險(xiǎn)預(yù)測(cè)模型的質(zhì)量評(píng)價(jià)

在模型構(gòu)建及預(yù)測(cè)性能方面，納入研究的建模方法以 Logistic 回歸算法為主，模型的 AUC 為 0.65～0.865 ，該結(jié)果可能與Logistic 回歸在特征數(shù)量較多的情況下，因無(wú)法捕捉到數(shù)據(jù)中的復(fù)雜關(guān)聯(lián)，容易出現(xiàn)欠擬合有關(guān)。未來(lái)的研究可以嘗試決策樹(shù)、隨機(jī)森林、樸素貝葉斯、神經(jīng)網(wǎng)絡(luò)等多種機(jī)器學(xué)習(xí)算法[18―19]，考慮將機(jī)器學(xué)習(xí)算法與傳統(tǒng)臨床經(jīng)驗(yàn)相結(jié)合，構(gòu)建更為準(zhǔn)確、高效的用藥風(fēng)險(xiǎn)預(yù)測(cè)模型。

本研究中，偏倚風(fēng)險(xiǎn)評(píng)估結(jié)果顯示，納入研究整體質(zhì)量為高風(fēng)險(xiǎn)的比例較高，僅Geeson 等[10]研究為低風(fēng)險(xiǎn)。分析發(fā)現(xiàn)，該研究的數(shù)據(jù)處理方法較為嚴(yán)謹(jǐn)，保持了變量的連續(xù)性，并使用多重插補(bǔ)和截?cái)喾ㄟM(jìn)行數(shù)據(jù)清洗；同時(shí)，該模型對(duì)患者的用藥風(fēng)險(xiǎn)進(jìn)行了分級(jí)預(yù)測(cè)。臨床適用性評(píng)估結(jié)果顯示，僅3 項(xiàng)研究為低適用性風(fēng)險(xiǎn)[10―11，13]。總體而言，目前已報(bào)道的用藥風(fēng)險(xiǎn)預(yù)測(cè)模型的臨床適用性欠佳，仍有待開(kāi)發(fā)更精準(zhǔn)、高效的用藥風(fēng)險(xiǎn)預(yù)測(cè)模型。

3.4 成人住院患者用藥風(fēng)險(xiǎn)預(yù)測(cè)模型的預(yù)測(cè)因子

本研究對(duì)各模型中的用藥風(fēng)險(xiǎn)預(yù)測(cè)因子進(jìn)行匯總，得到31個(gè)預(yù)測(cè)因子，數(shù)量總體偏少，尤其是檢驗(yàn)指標(biāo)僅3 個(gè)，且只重點(diǎn)關(guān)注了肝、腎功能及白細(xì)胞計(jì)數(shù)；而血小板計(jì)數(shù)、電解質(zhì)、降鈣素原等其他相關(guān)指標(biāo)是否能預(yù)測(cè)DRPs 還有待更多的研究證實(shí)。此外，不同患者人群的用藥風(fēng)險(xiǎn)特征可能存在顯著差異，如有研究發(fā)現(xiàn)，新生兒胎齡、神經(jīng)系統(tǒng)、心臟和腎臟疾病、奧美拉唑和多種抗感染藥物的使用等與ICU新生兒的DRPs發(fā)生風(fēng)險(xiǎn)增加相關(guān)[20]；而孕婦年齡較低、胎齡較低、有藥物過(guò)敏史、處方藥物數(shù)量等是妊娠期高血壓和妊娠期糖尿病患者發(fā)生DRPs的重要危險(xiǎn)因素[21]。這些研究表明，DRPs的風(fēng)險(xiǎn)因子具有高度的人群特異性。然而，現(xiàn)有預(yù)測(cè)模型多基于單一或有限人群數(shù)據(jù)開(kāi)發(fā)，其納入的預(yù)測(cè)因子可能無(wú)法充分反映其他群體的獨(dú)特風(fēng)險(xiǎn)特征。因此，本研究得到的預(yù)測(cè)因子可能并不完全適用于所有患者。為了提高用藥風(fēng)險(xiǎn)預(yù)測(cè)模型的適用性和準(zhǔn)確性，未來(lái)的研究需要結(jié)合具體患者人群的特點(diǎn)，進(jìn)一步驗(yàn)證和優(yōu)化預(yù)測(cè)因子及模型。

3.5 本研究的局限性

本研究存在一定的局限性：（1）由于本研究納入了不同疾病患者的用藥風(fēng)險(xiǎn)預(yù)測(cè)模型，其建模方法、模型評(píng)價(jià)等結(jié)果的異質(zhì)性較大。因此，僅對(duì)納入研究結(jié)果進(jìn)行定性分析。（2）納入研究的用藥風(fēng)險(xiǎn)預(yù)測(cè)模型的適用人群可能存在局限性，用藥風(fēng)險(xiǎn)預(yù)測(cè)因子可能不適用于所有患者。（3）本研究未納入僅探討DRPs 影響因素（未構(gòu)建預(yù)測(cè)模型）的研究，這些研究報(bào)道的潛在風(fēng)險(xiǎn)因子可能未被現(xiàn)有模型充分整合，從而影響預(yù)測(cè)變量的全面性。

4 結(jié)語(yǔ)

本研究系統(tǒng)梳理了成人住院患者用藥風(fēng)險(xiǎn)預(yù)測(cè)模型的研發(fā)現(xiàn)狀，發(fā)現(xiàn)現(xiàn)有模型雖能通過(guò)年齡、合并癥、用藥種類(lèi)等基礎(chǔ)指標(biāo)初步預(yù)測(cè)風(fēng)險(xiǎn)，但其方法學(xué)質(zhì)量與臨床應(yīng)用價(jià)值仍受限于高偏倚風(fēng)險(xiǎn)及缺乏外部驗(yàn)證。未來(lái)研究可從以下方面開(kāi)展：（1）開(kāi)展多中心、前瞻性隊(duì)列研究，明確模型在不同醫(yī)療場(chǎng)景下的泛化能力；（2）探索人工智能技術(shù)的應(yīng)用潛力（如深度學(xué)習(xí)對(duì)復(fù)雜非線(xiàn)性關(guān)系的捕捉），以構(gòu)建動(dòng)態(tài)、精準(zhǔn)的用藥風(fēng)險(xiǎn)預(yù)警體系，最終實(shí)現(xiàn)從“被動(dòng)干預(yù)”到“主動(dòng)防控”的轉(zhuǎn)化。

參考文獻(xiàn)

[ 1 ] Pharmaceutical Care Network Europe （PCNE）. The PCNE classification V9.0 in Chinese Translation Manda‐ rin 2019 [EB/OL]. [2024-12-01]. https：//www.pcne.org/ upload/files/555_09_PCNE_classification_V9-1_final.pdf.

[ 2 ] MOONS K G M，DE GROOT J A H，BOUWMEESTER W，et al. Critical appraisal and data extraction for systematic reviews of prediction modelling studies：the CHARMS checklist[J]. PLoS Med，2014，11（10）：e1001744.

[ 3 ] WOLFF R F，MOONS K G M，RILEY R D，et al. PROBAST：a tool to assess the risk of bias and applicability of prediction model studies[J]. Ann Intern Med， 2019，170（1）：51-58.

[ 4 ] ROTEN I，MARTY S，BENEY J. Electronic screening of medical records to detect inpatients at risk of drug-related problems[J]. Pharm World Sci，2010，32（1）：103-107.

[ 5 ] URBINA O，F(xiàn)ERRáNDEZ O，GRAU S，et al. Design of a score to identify hospitalized patients at risk of drugrelated problems[J]. Pharmacoepidemiol Drug Saf，2014， 23（9）：923-932.

[ 6 ] URBINA O，F(xiàn)ERRáNDEZ O，LUQUE S，et al. Patient risk factors for developing a drug-related problem in a car‐ diology ward[J]. Ther Clin Risk Manag，2014，11：9-15.

[ 7 ] FERRáNDEZ O，GRAU S，URBINA O，et al. Validation of a score to identify inpatients at risk of a drug-related problem during a 4-year period[J]. Saudi Pharm J，2018， 26（5）：703-708.

[ 8 ] KAUFMANN C P，ST?MPFLI D，MORY N，et al. Drugassociated risk tool：development and validation of a selfassessment questionnaire to screen for hospitalised pa‐ tients at risk for drug-related problems[J]. BMJ Open， 2018，8（3）：e016610.

[ 9 ] ST?MPFLI D，BOENI F，GERBER A，et al. Assessing the ability of the Drug-Associated Risk Tool（DART）ques‐ tionnaire to stratify hospitalised older patients according to their risk of drug-related problems：a cross-sectional validation study[J]. BMJ Open，2018，8（6）：e021284.

[10] GEESON C，WEI L，F(xiàn)RANKLIN B D. Development and performance evaluation of the medicines optimisation as‐ sessment tool（MOAT）：a prognostic model to target hos‐ pital pharmacists’ input to prevent medication-related problems[J]. BMJ Qual Saf，2019，28（8）：645-656.

[11] SALDANHA V，ARAúJO I B，LIMA S I V C，et al. Risk factors for drug-related problems in a general hospital：a large prospective cohort[J]. PLoS One，2020，15（5）： e0230215.

[12] H?J K，PEDERSEN H S，LUNDBERG A S B，et al. Ex‐ ternal validation of the Medication Risk Score in polyphar‐ macy patients in general practice：a tool for prioritizing pa‐ tients at greatest risk of potential drug-related problems[J]. Basic Clin Pharmacol Toxicol，2021，129（4）：319-331.

[13] TAYLOR S E，MITRI E A，HARDING A M，et al. Development of screening tools to predict medication-related problems across the continuum of emergency department care：a prospective，multicenter study[J]. Front Pharmacol， 2022，13：865769.

[14] 彭?xiàng)睿毂孛簦瑒㈩＃? 終末期腎病患者用藥風(fēng)險(xiǎn)預(yù)測(cè) 模型的構(gòu)建及評(píng)價(jià)[J]. 實(shí)用藥物與臨床，2023，26（8）： 699-704.

[15] 楊碧香，楊森賓，楊志偉. 老年2型糖尿病藥物相關(guān)問(wèn)題 現(xiàn)狀以及風(fēng)險(xiǎn)預(yù)測(cè)模型的構(gòu)建與驗(yàn)證[J]. 實(shí)用中西醫(yī)結(jié) 合臨床，2023，23（14）：1-4，71.

[16] 朱必敏，趙平，張露，等. 基于風(fēng)險(xiǎn)預(yù)測(cè)模型指導(dǎo)2 型糖 尿病患者藥物治療管理模式構(gòu)建及評(píng)價(jià)研究[J]. 實(shí)用藥 物與臨床，2023，26（11）：1004-1009.

[17] BOBROVA V，F(xiàn)IALOVá D，DESSELLE S，et al. Identi‐ fying potential drug-related problems among geriatric pa‐ tients with use of an integrated clinical decision support tool[J]. Front Pharmacol，2022，13：761787.

[18] SEVERSON K A，CHAHINE L M，SMOLENSKY L A， et al. Discovery of Parkinson’s disease states and disease progression modelling：a longitudinal data study using ma‐ chine learning[J]. Lancet Digit Health，2021，3（9）：e555- e564.

[19] SCHWARTZMANN B，DHAMI P，UHER R，et al. Developing an electroencephalography-based model for predicting response to antidepressant medication[J]. JAMA Netw Open，2023，6（9）：e2336094.

[20] LEOPOLDINO R D，SANTOS M T，COSTA T X，et al. Risk assessment of patient factors and medications for drug-related problems from a prospective longitudinal study of newborns admitted to a neonatal intensive care unit in Brazil[J]. BMJ Open，2019，9（7）：e024377.

[21] VALE BEZERRA P K，CHAVES CAVALCANTI J E， CARLETE FILHO S R，et al. Drug-related problems in hypertension and gestational diabetes mellitus：a hospital cohort[J]. PLoS One，2023，18（4）：e0284053. （收稿日期：2024-12-17 修回日期：2025-04-25） （編輯：陳 宏）