Artificial Intelligence for Post-Marketing Pharmacovigilance of Herbal and Botanical Medicines: A Scoping Review and the MIAHPV Framework
本范围综述识别了在将人工智能应用于草药药物警戒方面存在的关键差距，即现有安全性报告中数据质量的不一致性，并提出了 MIAHPV 框架，这是一个旨在评估并提高草药个案安全性报告在基于人工智能的信号检测中的就绪程度的七点标准。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，医学世界就像一座巨大而繁忙的图书馆，每当有人服用了某种药物并感到身体有些异样时，图书管理员就会将其记录在一本厚重的账本中。这被称为药物警戒（pharmacovigilance）——即在药物上市后监测副作用的科学。几十年来，这些账本一直记录着关于标准处方药的报告，科学家们利用聪明的计算机程序（人工智能）来扫描这些报告，寻找人类可能忽略的隐藏模式。这就像是使用一台超快速的金属探测器，在沙堆中寻找一枚特定的失踪硬币。
但转折点在于：数百万人同时也在服用草药茶、植物根茎和植物性补充剂，并将其与处方药配合使用。当这些天然产品出现问题时，它们也会被记录在同样的账本中。然而，关于草药的记录往往非常混乱。报告者可能不会写“洋甘菊”，而只是写“草药茶”；他们不会写“圣约翰草”，而是写“那种黄色的花类东西”。这种混乱程度就像是你试图在一个人倾倒了一袋随机垃圾（树枝、石头和旧汽水罐）的场地上使用那台超快速的金属探测器——这使得寻找那枚特定硬币变得几乎不可能。大问题在于：我们的智能计算机能否学会忽略这些垃圾并找到真正的草药危险，还是说这些数据实在太乱了，根本无法挽救？
这篇由独立研究员索汉姆·桑杰·莫尔（Soham Sanjay More）撰写的论文，直接深入到了这个混乱的领域。作者不仅观察了数据，还通过对科学研究进行“寻宝之旅”，以查看是否有人成功地教会了计算机如何利用人工智能（AI）来识别草药危险。这场搜寻最终空手而归。尽管人工智能擅长在干净的数据中寻找模式，但作者发现，零项研究成功地将这些高科技方法专门应用于以草药医学报告为核心的研究。事实证明，问题不在于计算机，而在于那些混乱的笔记。
为了解决这个问题，这篇论文引入了一套新的规则，称为 MIAHPV（人工智能辅助草药药物警戒最低信息标准）。你可以把它想象成一份针对草药报告的“质量清单”。作者建议，在计算机尝试分析一份报告之前，该报告必须通过七项特定的测试。例如，报告必须明确说明植物的具体科学名称（而不仅仅是“草药”），列出此人正在服用的所有其他药物，并详细说明该植物是如何制备的（例如是茶还是粉末）。如果一份报告未能通过这些检查，论文认为，这就像是在试图用缺失碎片的拼图来解谜——计算机只会进行猜测，而这些猜测将会是错误的。
论文还通过现实生活中的案例展示了为什么这很重要。它提到了一个著名的案例：一位女性的抗凝血药物失效了，因为她喝了洋甘菊茶，但她的报告仅提到“草药茶”，这使得很难发现其中的危险。它还谈到了一个可怕的混淆情况：由于在另一种语言中名称听起来相似，一种有毒植物被误认为是安全的植物。这些故事证明，如果没有清晰、详细的记录，即使是最聪明的 AI 也无法拯救局面。
作者对他们目前尚未完成的工作表现得非常诚实。他们承认，这份“质量清单”仅仅是一个提议，是一个起点，而非一个尚未在真实世界数据上经过测试的成品工具。他们指出，目前大约只有 10% 到 20% 的草药报告足以供 AI 使用，而其余的则过于混乱。这篇论文并不声称已经解决了问题；相反，它提供了一张如何修复这一混乱问题的地图。它建议，如果我们开始编写更好的报告——使用清单上的七条规则——那么，也只有在那时，我们才能有望利用这些超智能的计算机来确保每个人使用草药的安全性。在此之前，计算机仅仅是在盯着一堆无法解读的涂鸦。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。