tooluniverse-clinical-data-integration

药物安全性临床数据整合

端到端药物安全性审查流程，整合 FDA 标签信息、FAERS 自发报告、比例失衡信号检测、药物基因组学生物标志物、临床试验数据和已发表文献。适用于监管评估、药物警戒和临床决策支持。

指导原则：

1. 以标签为事实依据——FDA 批准的标签是已知安全信息的权威起点
2. 信号需要结合背景解读——未经标签或文献佐证的 FAERS 信号只能用于生成假设，不能作为确证
3. 比例失衡不等于因果关系——PRR/ROR 衡量报告模式，而非因果关系
4. 药物基因组学可缩小风险范围——PGx 生物标志物可识别风险升高的患者
5. 逐步生成报告——尽早创建报告文件；逐节更新
6. 优先使用英文查询——所有工具调用中使用英文药物名称；用用户的语言作答

临床数据整合始于数据协调。不同医院对同一诊断的编码可能不同（ICD-10 与 SNOMED）。合并数据集前，请先确认编码系统。缺失数据也有信息价值——实验室检查值缺失可能意味着未开具该检查（患者病情稳定），而不是结果正常。

查询，不要猜测

对任何科学事实不确定时，应先搜索数据库，而不是凭记忆推理。经数据库验证的答案始终比猜测可靠。

区别：此技能着重于贯穿药物全生命周期的监管级数据整合。如需专门进行 FAERS 信号检测并量化评分，请参阅 tooluniverse-adverse-event-detection。如需通用药物警戒工作流，请参阅 tooluniverse-pharmacovigilance。

---

计算，不要描述

如果分析需要计算（统计、数据处理、评分、富集），请通过 Bash 编写并运行 Python 代码。不要只描述打算怎么做——要实际执行并报告结果。使用 ToolUniverse 工具检索数据，然后用 Python（pandas、scipy、statsmodels、matplotlib）进行分析。

适用场景

常见需求：

• “全面审查 [药物] 的安全性”
• “FDA 标签对 [药物] 和 [事件] 有什么说明？”
• “[药物] 是否存在 FAERS 信号？”
• “[药物] 有哪些药物基因组学生物标志物？”
• “查找研究 [药物] 安全性的临床试验”
• “[药物] 的上市后监测摘要”
• “比较 [药物 A] 和 [药物 B] 的安全性特征”

---

核心数据来源

来源	类型	最适合的用途
FDA Labels (DailyMed)	监管信息	批准的安全信息、黑框警告、药物相互作用
FAERS	自发报告	上市后不良事件信号、人口统计学模式
CPIC	指南	药物基因组学给药建议
FDA PGx Biomarkers	监管信息	获批的药物基因组学标签
ClinicalTrials.gov	试验注册平台	进行中或已完成的安全性试验
PubMed	文献	已发表的安全性研究、病例报告

---

工作流概览

Phase 0: Drug Identity & Context
  Resolve drug name, get class, mechanism, indications
    |
Phase 1: FDA Label Extraction
  Boxed warnings, contraindications, adverse reactions, interactions
    |
Phase 2: FAERS Signal Detection
  Top adverse events, disproportionality (PRR/ROR), demographics
    |
Phase 3: Pharmacogenomics
  CPIC guidelines, FDA PGx biomarkers, genotype-specific risks
    |
Phase 4: Clinical Trials
  Safety-focused trials, risk evaluation programs
    |
Phase 5: Literature Evidence
  PubMed safety studies, case reports, meta-analyses
    |
Phase 6: Integrated Safety Report
  Synthesize all sources into a cohesive safety profile

---

阶段详情

阶段 0：药物身份与背景

目标：明确识别药物并建立基线背景。

工具：

• DailyMed_search_spls -- 搜索结构化产品标签
  • 输入：query（药物名称）
  • 输出：包含 set ID、标题和标签持有人名称的 SPL 列表
• OpenFDA_get_approval_history -- 获取批准日期和补充申请
  • 输入：drug_name（通用名或品牌名）
  • 输出：批准日期、申请编号和补充申请历史

工作流：

1. 搜索 DailyMed，以确认药物名称并识别正确的 SPL
2. 获取批准历史，以确定该药物上市的时间
3. 记录治疗类别、作用机制和获批适应症
4. 记录品牌名与通用名，以便统一 FAERS 查询

提示：FAERS 使用 medicinalproduct，其值可以是品牌名或通用名。在阶段 2 中，尝试使用这两种形式。

阶段 1：FDA 标签提取

目标：从 FDA 批准的标签中提取所有与安全性相关的章节。

工具：

• FDA_get_boxed_warning_info_by_drug_name -- 方框警告（黑框警告）
  • 输入：drug_name
  • 输出：警告文本；如果不存在，则返回 {error: {code: "NOT_FOUND"}}（属于正常情况）
• FDA_get_warnings_and_cautions_by_drug_name -- 警告与注意事项章节
  • 输入：drug_name
  • 输出：完整的警告文本
• DailyMed_parse_adverse_reactions -- 标签中的不良反应
  • 输入：setid（不是 set_id；取自阶段 0 的 DailyMed 搜索结果）
  • 输出：已解析的不良反应表格和文本
• DailyMed_parse_drug_interactions -- 药物相互作用章节
  • 输入：setid（不是 set_id）
  • 输出：已解析的相互作用数据

工作流：

1. 首先检查方框警告——它们代表最严重的安全问题
2. 提取警告与注意事项
3. 解析不良反应（包括临床试验发生率和上市后报告）
4. 提取药物相互作用
5. 方框警告返回 NOT_FOUND 属于正常情况，表示不存在方框警告

标签章节优先级：方框警告 > 禁忌症 > 警告/注意事项 > 不良反应 > 药物相互作用

阶段 2：FAERS 信号检测

目标：从自发报告中识别上市后安全性信号。

工具：

• FAERS_count_reactions_by_drug_event —— 按频率排列的不良事件
  • 输入：medicinalproduct（药物名称，不是 drug_name）
  • 输出：[{term, count}]
• FAERS_calculate_disproportionality —— 药物-事件组合的 PRR、ROR、IC
  • 输入：drug_name、adverse_event
  • 输出：{metrics: {PRR: {value, ci_95_lower, ci_95_upper}, ROR: {...}, IC: {...}}, signal_detection: {signal_detected, signal_strength}}
• FAERS_filter_serious_events —— 按严重程度类型筛选
  • 输入：drug_name、seriousness_type（all/death/hospitalization/disability/life_threatening）
  • 输出：严重事件细分
• FAERS_stratify_by_demographics —— 按年龄/性别/国家分层
  • 输入：drug_name、adverse_event（可选）、stratify_by（sex/age/country）
  • 输出：人口统计学细分（性别代码：0=未知，1=男性，2=女性）

工作流：

1. 获取报告数量排名前 20 的不良事件
2. 对排名前 10-15 的事件计算不成比例报告指标（PRR、ROR、IC 及 95% CI）
3. 信号判定标准：PRR >= 2.0，下限 CI > 1.0，报告数 N >= 3
4. 对检测到的信号，按严重程度筛选（死亡、住院）
5. 按人口统计学特征对强信号分层，以识别高风险人群

重要说明：

• FAERS_count_reactions_by_drug_event 使用 medicinalproduct 参数，而不是 drug_name
• FAERS_calculate_disproportionality 使用 drug_name 参数
• 计数工具和不成比例报告指标工具使用的 MedDRA 术语层级不同；病例数可能无法完全匹配

FAERS 信号解读——数值的含义：

指标	数值	解读
PRR（比例报告比）	< 1.0	该事件的报告频率低于预期（可能存在保护作用或漏报）
	1.0-2.0	无信号或信号较弱
	2.0-5.0	中等信号——值得调查
	> 5.0	强信号——可能存在真实关联（但仍不能证明因果关系）
ROR（报告比值比）	与 PRR 类似，但会考虑所有其他药物	阈值与 PRR 相同；稳健性略高
IC（信息成分）	< 0	无信号
	0-2	弱信号
	> 2	强信号

信号 ≠ 因果关系：FAERS 强信号表示药物-事件组合的报告频率高于预期。这可能是由以下原因造成的：

• 存在真实因果关系（最重要）
• 渠道偏倚（病情较重的患者更可能使用该药物）
• 知名度偏倚（媒体关注度提高了报告数量）
• 前驱症状偏倚（因事件的早期症状而开具药物）

如何评估信号的可信度：

1. 该事件是否列入 FDA 标签？（标签确认 = 最有力的证据）
2. 是否存在合理的作用机制？（药物的药理作用能够解释该事件）
3. 是否存在剂量-反应关系？（剂量越高 → 事件越多）
4. 是否存在时间一致性？（事件在开始用药后发生，停药后缓解）
5. 是否有流行病学证据确认？（已发表的病例对照研究或队列研究）

第 3 阶段：药物基因组学

目标：识别会改变药物安全性的遗传因素。

工具：

• CPIC_list_guidelines -- 获取 CPIC 药物基因组学指南
  • 输入：可选的 gene、drug 筛选条件
  • 输出：包含基因-药物配对及剂量建议的指南
• fda_pharmacogenomic_biomarkers -- FDA 批准的 PGx 生物标志物
  • 输入：可选的 drug_name、biomarker、limit（默认值为 10；使用 limit=1000 获取全面结果）
  • 输出：包含生物标志物、药物、治疗领域的 {count, shown, results}

工作流：

1. 在 CPIC 中搜索涉及该药物的指南
2. 使用药物名称查询 FDA PGx 生物标志物
3. 对每项 PGx 发现，记录：基因、可采取行动的等位基因及临床建议
4. 分类为：必须检测（黑框警告）、建议检测或仅供参考

提示：对 fda_pharmacogenomic_biomarkers 使用 limit=1000，以免遗漏条目（默认值仅为 10）。

第 4 阶段：临床试验

目标：查找研究药物安全性的进行中或已完成试验。

工具：

• search_clinical_trials -- 搜索 ClinicalTrials.gov
  • 输入：query_term（必填）、可选的 condition、intervention、pageSize
  • 输出：{studies, nextPageToken, total_count}，无结果时则返回字符串

工作流：

1. 搜索侧重安全性的试验：“[药物] safety”或“[药物] adverse events”
2. 搜索风险评估与缓解策略（REMS）试验
3. 查找上市后要求（PMR）研究
4. 记录试验状态（招募中、已完成、已终止）和主要终点

查询提示：简单查询效果最好。包含多个词的复杂查询通常不会返回结果。先搜索“[药物名称]”，然后根据结果中的安全性相关关键词进行筛选。

第 5 阶段：文献证据

目标：查找已发表的安全性研究、病例报告和荟萃分析。

工具：

• PubMed_search_articles -- 搜索生物医学文献
  • 输入：query（搜索词）、可选的 limit
  • 输出：文章列表（普通字典列表，不是 {articles: [...]}）

工作流：

1. 搜索：“[药物] adverse events”或“[药物] safety”
2. 针对第 2 阶段发现的信号，搜索：“[药物] [具体不良事件]”
3. 查找系统综述和荟萃分析
4. 优先级：荟萃分析 > RCT > 队列研究 > 病例报告

第 6 阶段：综合安全性报告

综合所有阶段的结果，形成一份完整报告：

1. 药物概览 -- 身份、类别、作用机制、批准日期、适应症
2. 说明书中的安全性信息 -- 黑框警告、主要禁忌症、已知不良反应
3. 上市后信号 -- FAERS 信号及其比例失衡指标，并与说明书进行比较
   • 区分：已知且已标注、已知但标注不足、潜在新信号
4. 药物基因组学相关考虑 -- PGx 生物标志物、检测建议
5. 临床试验安全性数据 -- 正在进行的监测研究、REMS 计划
6. 文献摘要 -- 支持或进一步完善安全性特征的关键出版物
7. 综合评估 -- 总体风险特征、风险较高的人群、数据缺口

证据分级：

• T1：FDA 说明书 / 监管措施（黑框警告、REMS）
• T2：强 FAERS 信号（PRR >= 5，多个数据来源结论一致）
• T3：中等信号或单一来源证据
• T4：仅有文献提及或计算预测

---

常见分析模式

模式	描述	关键阶段
全面安全性审查	全面的监管风格审查	全部（0-6）
说明书与真实世界数据对比	将 FDA 说明书与 FAERS 信号进行比较	0、1、2、6
PGx 安全性评估	聚焦药物基因组学风险因素	0、1、3、5
信号调查	深入调查特定不良事件	0、1、2、5、6
药物比较	对两种药物进行直接安全性比较	分别运行两种药物的第 0-2 阶段，在第 6 阶段进行比较

---

边缘情况与回退方案

• FAERS 数据很少的新药：参考 FDA 标签、临床试验和基于作用机制的预测
• OTC 药物：FAERS 数据可能有限；DailyMed 仍提供 OTC 标签
• 复方制剂：先分别搜索 FAERS 中的每种活性成分，再搜索复方制剂
• 品牌药与仿制药的数据差异：FAERS 报告可能使用其中任一种名称；请同时搜索两种形式
• 没有 CPIC 指南：这对大多数药物而言很常见；只有约 30 组基因-药物组合有 CPIC 指南

---

局限性

• FAERS 报告偏倚：自发报告为自愿提交；漏报是常态
• FAERS 没有分母：无法计算发生率，只能分析比例失衡
• 标签滞后：FDA 标签可能未反映最新证据；请务必结合 FAERS 和文献
• PGx 覆盖范围：CPIC 和 FDA PGx 生物标志物仅覆盖一小部分药物
• ClinicalTrials.gov 的完整性：并非所有试验都会报告结果；部分安全性数据仅见于论文