前 言
本文件按照GB/T 1.1—2020《标准化工作导则 第1部分：标准化文件的结构和起草规则》的规定起草。
请注意本文件的某些内容可能涉及专利。本文件的发布机构不承担识别专利的责任。
本文件由重庆市国际国内公共关系协会提出并归口。
本文件起草单位：喀喇沁旗市场监管综合行政执法大队、喀喇沁旗个体私营经济服务中心、鄂州市中心医院、嘉兴市中医医院、山东省菏泽市牡丹区市场监督管理局、广州市东升医院、重庆大学附属三峡医院。
本文件主要起草人：孙亚娟、王靖钟、田利、冯建华、李树枫、张姬华、许焕波、谢珍国。
T/CQPRA 0091—2026
引 言
随着药品研发、生产和临床应用规模的不断扩大，药品上市后安全性风险呈现出数据来源多样、表现形式复杂、潜在影响广泛等特点。传统以人工经验和单一数据来源为主的药品不良反应监测与分析模式，已难以全面、及时地识别潜在安全信号，亟需引入大数据和智能分析技术予以支撑。
近年来，医疗信息系统、药物警戒报告系统以及真实世界数据的广泛应用，为系统开展药品不良反应分析与风险评价提供了数据基础。同时，统计分析、机器学习和自然语言处理等技术在药品安全领域的应用不断深化，为提高不良反应识别的敏感性、风险判断的科学性和监管决策的前瞻性提供了新的技术路径。然而，在实践中，不同机构在数据治理、分析方法、风险评价和结果应用方面仍缺乏统一的技术规范，影响了分析结果的一致性和可比性。
本文件在总结药物警戒实践经验和相关技术应用基础上，围绕药品不良反应大数据的获取与治理、智能分析方法、风险评价与分级、结果应用及持续改进等关键环节，提出系统化、规范化的技术要求，旨在提升药品不良反应分析与评价工作的科学性、规范性和可操作性。本文件可为医疗机构、药品上市许可持有人、监管部门及相关技术服务机构开展药品安全风险监测与管理提供技术参考和实施依据。
T/CQPRA 0091—2026
药品不良反应大数据智能分析与评价
技术规范
1 范围
本文件规定了药品不良反应大数据智能分析与评价的总体技术要求，包括数据来源与采集、数据治理与质量控制、智能分析方法、风险评价与分级、结果应用以及持续改进等内容。
本文件适用于医疗机构、药品上市许可持有人、药品生产经营企业、药物警戒机构、药品监督管理部门及相关第三方技术服务机构，在开展基于大数据和智能技术的药品不良反应监测、分析、评价与决策支持工作时的技术实施与管理。
本文件不涉及具体算法模型的源代码实现，也不作为单一药品安全性结论的直接判定依据，相关分析结果应结合专业人员审核与监管要求综合使用。
2 规范性引用文件
下列文件中的内容通过文中的规范性引用而构成本文件必不可少的条款。其中，注日期的引用文件，仅该日期对应的版本适用于本文件;不注日期的引用文件，其最新版本(包括所有的修改单)适用于本文件。
DB41/T 2319 医疗机构药品不良反应报告和监测工作规范
GB/T 35273 信息安全技术 个人信息安全规范
GB/T 22239 信息安全技术 网络安全等级保护基本要求
3 术语和定义
下列术语和定义适用于本文件。
3.1
药品不良反应 adverse drug reaction
指在正常用法用量下使用合格药品过程中出现的，与用药目的无关的、有害的或非预期的反应。 3.2
药物警戒 pharmacovigilance
指为发现、评估、理解和预防药品不良反应或其他与药品相关问题而开展的科学活动和管理过程。 3.3
药品不良反应大数据分析 adverse drug reaction big data analytics
T/CQPRA 0091—2026
指基于多源药品不良反应相关数据，运用统计分析、数据挖掘和智能算法，对不良反应发生特征、关联关系及风险趋势进行系统分析的过程。
4 总体原则
4.1 合法合规
药品不良反应大数据智能分析与评价应符合药品监管、数据安全和个人信息保护等相关法律法规及监管要求，确保数据来源合法、使用合规、结果可追溯。
4.2 科学性与规范性
分析与评价过程应基于公认的药物警戒理论、统计方法和智能分析技术，分析流程、指标设置和评价规则应具有科学依据，并保持技术路径的规范性和一致性。
4.3 数据质量优先
应重视数据完整性、准确性、时效性和一致性，对低质量数据进行识别、修正或剔除，避免因数据偏差对分析结果和风险判断产生误导。
4.4 人机协同
智能分析结果应与专业人员的医学判断、药学评估和监管经验相结合，防止单纯依赖算法自动输出结论，确保风险评价的合理性和审慎性。
4.5 全生命周期
药品不良反应分析与评价应覆盖药品上市前后及全使用周期，支持持续监测、动态评估和滚动更新，及时反映药品安全性变化趋势。
4.6 可解释与可追溯
分析模型和评价结论应具备必要的可解释性，关键数据来源、处理过程和评价依据应形成完整记录，便于审核、复核和监管检查。
5 数据来源与治理要求
5.1 数据来源
药品不良反应大数据应来源可靠、渠道合法，主要包括但不限于以下类型：
——药品不良反应自发报告数据;
——医疗机构信息系统数据，包括电子病历、处方记录、检验检查结果等;
——药品上市许可持有人开展药物警戒活动形成的数据;
T/CQPRA 0091—2026
——真实世界研究和真实世界证据相关数据;
——药品说明书、文献资料及合规获取的舆情与公开信息数据。
5.2 数据采集要求
数据采集应遵循统一规范，明确数据项定义、格式和编码规则，确保不同来源数据具备可比性和可整合性。
数据采集过程应记录数据来源、采集时间、采集方式及责任主体，形成完整的数据溯源信息。
5.3 数据清洗与预处理
在开展智能分析前，应对原始数据进行系统清洗与预处理，包括缺失值处理、异常值识别、重复记录合并及逻辑一致性校验。
对无法修正或明显影响分析结果的数据，应予以标识或剔除，并保留处理记录。
5.4 数据质量控制
应建立数据质量控制机制，从完整性、准确性、及时性和一致性等方面对数据进行评价。
数据质量评估结果应作为后续分析模型选择和风险评价的重要依据，必要时应调整分析策略。
5.5 数据安全与隐私保护
在数据存储、传输和使用过程中，应采取必要的技术和管理措施，防止数据泄露、篡改和滥用。
涉及个人信息和敏感信息的数据，应进行脱敏或匿名化处理，严格限定访问权限，确保符合法律法规和监管要求。
5.6 数据管理与维护
应建立持续的数据更新与维护机制，定期对数据进行核查、修订和补充，确保数据的时效性和可用性。
数据管理过程应形成制度化文档，为后续分析、审核和监管提供支撑。
6 药品不良反应智能分析方法
6.1 分析总体流程
药品不良反应智能分析应按照统一流程实施，包括数据准备、分析目标确定、方法与模型选择、结果输出及验证等环节。各环节之间应保持逻辑衔接，确保分析过程可追溯、结果可复核。
6.2 描述性统计与特征分析
应对不良反应发生的时间分布、人群特征、给药方式、用药剂量及反应类型等开展描述性统计分析，识别基本特征与变化趋势，为信号检测和风险评价提供基础支持。
T/CQPRA 0091—2026
6.3 信号检测方法
6.3.1 基于统计指标的信号检测
可采用频数比、比例失衡分析等统计方法，对药品与不良事件之间的异常关联进行初步识别。统计指标的选取应与数据规模和类型相适应，并明确判定阈值和适用条件。
6.3.2 基于智能算法的信号检测
在满足数据条件的前提下，可采用机器学习或其他智能算法，对潜在不良反应信号进行识别和辅助判断。算法应用应避免直接替代专业判断，仅作为信号发现的技术支持手段。
6.3.3 信号筛选与初步判定
对检测得到的信号，应结合医学合理性、数据可靠性和重复出现情况进行筛选，形成初步信号清单，并为后续风险评价提供输入依据。
6.4 智能分析模型应用
6.4.1 结构化数据分析模型
针对结构化数据，可采用分类、聚类或回归等模型，对不良反应发生规律和风险因素进行分析。模型选择应与分析目的相一致，并记录主要参数设置。
6.4.2 非结构化数据分析模型
针对文本类不良反应报告或文献信息，可采用自然语言处理等技术提取关键信息，实现事件识别和关系分析。相关处理规则应保持稳定，并具备人工核查条件。
6.4.3 模型可解释性与风险控制
智能分析模型应具备必要的可解释性，能够说明结果形成的主要依据。对模型输出结果，应设置风险控制机制，防止误判或过度放大分析结论。
6.5 多源数据融合分析
应通过统一编码、特征映射或规则匹配等方式，对来自不同来源的数据进行融合分析，综合多维信息提高不良反应识别的完整性和准确性。
6.6 结果验证与稳健性分析
分析结果应通过历史数据对照、交叉验证或专家复核等方式进行验证。对结果稳定性不足的分析模型，应开展稳健性分析，评估其对数据变化和参数调整的敏感程度，确保结论可靠。
7 不良反应风险评价与分级
T/CQPRA 0091—2026
7.1 风险评价总体要求
药品不良反应风险评价应在信号检测和智能分析结果的基础上开展，综合考虑不良反应发生特征、临床影响及人群暴露情况，对药品潜在安全风险进行系统判断。
风险评价过程应坚持科学审慎原则，评价依据、方法选择和结论形成过程应清晰可溯，避免单一指标或单次分析结果直接作为风险判定结论。
7.2 风险评价指标体系
7.2.1 不良反应发生特征指标
发生特征指标主要用于反映不良反应出现的频率水平和分布特征，包括报告发生率、报告增长趋势、重复报告情况等，用于判断风险信号的稳定性和持续性。
7.2.2 临床影响与严重程度指标
临床影响指标用于评估不良反应对患者健康造成的实际影响程度，可综合考虑不良反应严重性分级、是否导致住院或死亡、是否存在不可逆损害等因素。
7.2.3 人群暴露与影响范围指标
人群暴露指标用于评估潜在受影响人群的规模和范围，包括用药人群数量、重点人群暴露情况及特殊人群风险特征，为风险分级和监管决策提供支持。
7.3 风险评价方法
风险评价应采用定性分析与定量分析相结合的方法开展。
定量评价可基于统计分析结果或智能模型输出进行，定性评价应充分吸纳医学、药学及监管专业判断，对数据局限性和不确定性进行综合分析，避免机械化判定。
7.4 风险分级原则7.4.1 分级依据
药品不良反应风险分级应综合风险水平和可控程度进行判定，重点考虑不良反应的严重性、发生可能性及其对公众健康的潜在影响。
风险分级参考指标及判定原则见附录A。
7.4.2 分级一致性与可比性要求
风险分级应保持同类药品、同类不良反应之间的可比性，不得因数据来源或分析工具差异导致分级标准明显不一致。
在分级结果存在较大不确定性时，应采取从严审慎原则进行管理。
T/CQPRA 0091—2026
7.5 风险分级结果应用
风险分级结果应作为风险预警、药品安全性再评价、临床用药管理及监管决策的重要依据。
不同风险等级对应的管理和干预措施应保持逻辑一致，并支持动态调整和持续监测。
8 分析结果应用与决策支持
8.1 风险预警与信息通报
基于不良反应智能分析与风险分级结果，应建立分级风险预警机制，对不同风险等级的不良反应采取差异化预警和信息通报方式。
预警信息应及时、准确，并明确风险等级、涉及药品、不良反应类型及建议关注要点，避免引发不必要的恐慌或误解。
8.2 药品安全性再评价支持
分析结果可作为开展药品安全性再评价的重要技术依据，为说明书修订、风险控制措施调整及上市后再评价提供数据支持。
在再评价过程中，应综合历史数据、临床证据和专家意见，对分析结果进行复核和论证。
8.3 临床合理用药决策支持
经审核确认的分析结果，可用于支持临床合理用药管理，为医疗机构制定用药警示、重点监测人群管理及用药指导提供参考。
分析结果的应用应以辅助决策为目的，不得替代临床医生的专业判断。
8.4 监管决策与风险沟通支持
分析结果可为药品监督管理部门开展风险研判、监管分级和干预决策提供技术支撑。
在风险沟通过程中，应注重信息表达的科学性和可理解性，结合风险分级结果，合理引导公众预期，维护药品安全管理秩序。
8.5 应用效果评估与反馈
应对分析结果在实际应用中的效果进行评估，重点关注风险识别及时性、决策支持有效性及管理措施落实情况。
评估结果应形成反馈机制，为后续分析方法优化和管理策略调整提供依据。
9 结果审核、反馈与持续改进
9.1 结果审核要求
T/CQPRA 0091—2026
药品不良反应智能分析结果在应用前应进行审核。审核应由具备相关专业背景的人员或专家组实施，重点核查数据来源可靠性、分析方法适用性及结论合理性，防止因数据偏差或模型误判导致风险结论失真。
9.2 人工复核与专家参与
对涉及较高风险等级或可能引发监管措施的分析结果，应开展人工复核，并引入医学、药学及药物警戒等领域专家参与论证。人工复核意见应形成记录，作为分析结果采信的重要依据。
9.3 结果反馈机制
应建立分析结果反馈机制，将审核后的结果及时反馈至数据提供方、分析实施方及相关管理部门。反馈内容应包括结果摘要、主要依据及需进一步关注的问题，支持风险的持续监测与跟踪。
9.4 持续改进与模型更新
应根据审核意见、应用效果评估及新增数据情况，对分析方法、模型参数和评价规则进行动态调整和优化。
模型更新和规则修订过程应形成规范记录，确保分析体系持续改进并适应药品安全性变化和监管需求。
10 实施保障
10.1 组织与职责分工
应建立与药品不良反应大数据智能分析与评价工作相适应的组织体系，明确数据管理、分析实施、结果审核及应用管理等环节的责任主体和职责分工，确保各项工作有序衔接、责任清晰。
10.2 技术与系统保障
应配置满足数据处理、模型运行和结果存储需求的技术环境和信息系统，保障数据处理能力、系统稳定性和运行安全性。
相关系统应支持权限管理、 日志记录和数据追溯，满足分析、审核和监管检查需要。 10.3 人员能力与培训要求
从事药品不良反应智能分析与评价工作的人员应具备相应的药学、医学、统计或数据分析背景。
应定期组织业务培训和能力提升活动，使相关人员掌握必要的分析方法、风险评价要求及合规管理要求。
10.4 文档与记录管理
T/CQPRA 0091—2026
应对数据来源、分析过程、模型参数、评价结论及审核意见等形成完整文档和记录，并按照规定期限进行保存。
相关文档应便于查询和复核，为持续改进、质量管理及监管检查提供支撑。
T/CQPRA 0091—2026
附 录 A
(资料性)
药品不良反应风险分级参考表
药品不良反应风险分级参考表见表A.1。
表 A.1 药品不良反应风险分级参考表
评论