人工智能輔助藥學(xué)服務(wù)專家共識(shí)

中圖分類號(hào)R95；TP18 文獻(xiàn)標(biāo)志碼A 文章編號(hào)1001-0408（2025）13-1553-10

DOI 10.6039/j.issn.1001-0408.2025.13.01

Expert consensus on artificial intelligence-assisted pharmaceutical care

Pharmacy Information Expert Commitee of the National Institute of Hospital Administration under the National Health Commission，Geriatric Pharmacy Professional Commitee of the China Medicine Education Association， Sub-association of Digital and Intelligent Pharmacy Management and Services of the Beijing Integrative Medicine Society

ABSTRACTOBJECTIVEToprovide guidace forthescientificand standardizedapplicationofartificial intellgence（AI） technologyinsupportingpharmaceuticalcareservices，andtopromotethehighqualitydevelopmentofpharmaceuticalcare. METHODS Using keywords such as“artficial inteligence”and“pharmaceutical care”，acomprehensivesearch was conducted acrossdomesticand internationaldatabasesandrelevantpolicydocuments.DrawinguponpracticalexperienceinAl-assisted pharmaceuticalcareservices in China，aconsensusframeworkand preliminaryrecommendations weredrafted.Consensus was defined as agreement by 70% or more of expert panel members.RESULTS amp; CONCLUSIONS Through two rounds of the Delphi method and multiple rounds of discussions，23 strong recommendations （approval rate gt;90% ）were formulated. These address the definition，scope，objectives，multipleapplicationscenarios（includingpharmaceuticaloutpatient，medicationreconciliation， medication education，adverse drug eventpredictionand monitoring，home-based pharmaceuticalcareservices，and drug suply）， ethicalconsiderationsandaccountability，chalengesencountered，andqualitycontrolrecommendationsforAl-asisted pharmaceuticalcare.Intendedforusebyprofesionaltecnicalstaffengagedinpharmaceuticalcare，managers，andAItecnology developers withihealthcare institutions，theserecommendations provideguidanceforthepracticeof pharmaceuticalcareintheera of AI.

KEYWORDSartificial intelligence；pharmaceutical care；expert consensus；hospital pharmacy

隨著我國醫(yī)療需求的快速增長與人口老齡化不斷加劇，患者的用藥復(fù)雜性與風(fēng)險(xiǎn)顯著上升，對(duì)藥學(xué)服務(wù)的專業(yè)性、精準(zhǔn)性和時(shí)效性提出了更高要求。然而，當(dāng)前我國藥學(xué)服務(wù)領(lǐng)域面臨嚴(yán)峻挑戰(zhàn)：一方面，優(yōu)秀藥師資源短缺，藥師數(shù)量與龐大患者群體的藥學(xué)服務(wù)需求不匹配，基層醫(yī)療機(jī)構(gòu)尤為突出；另一方面，藥學(xué)服務(wù)責(zé)任重大，傳統(tǒng)人工服務(wù)模式受限于工作效率、知識(shí)更新速度及個(gè)人經(jīng)驗(yàn)差異，難以完全滿足患者個(gè)性化、全周期的用藥管理需求。人工智能（artificialintelligence，AI）技術(shù)在數(shù)據(jù)處理、知識(shí)挖掘、風(fēng)險(xiǎn)預(yù)測等方面具有顯著優(yōu)勢，可以匹配不同的藥學(xué)服務(wù)應(yīng)用場景，輔助藥師提升服務(wù)效率與質(zhì)量，降低人為差錯(cuò)風(fēng)險(xiǎn)[-3，推動(dòng)藥學(xué)服務(wù)從“經(jīng)驗(yàn)驅(qū)動(dòng)\"向“數(shù)據(jù)驅(qū)動(dòng)\"轉(zhuǎn)型升級(jí)。AI結(jié)合新一代互聯(lián)網(wǎng)技術(shù)后，還能擴(kuò)大優(yōu)質(zhì)藥學(xué)服務(wù)的可及性，助力實(shí)現(xiàn)醫(yī)療資源均衡化[4-。然而，AI在現(xiàn)階段使用中暴露出的局限性也同樣明顯，如缺乏完善的評(píng)估體系、結(jié)果可能存在偏倚、容易出現(xiàn)幻覺現(xiàn)象、可解釋性不足、責(zé)任界定不清以及使用者過度依賴等問題，亟待通過科學(xué)、規(guī)范的措施加以解決。為順應(yīng)行業(yè)迫切需求，本共識(shí)以2021年10月9日發(fā)布的《國家衛(wèi)生健康委辦公廳關(guān)于印發(fā)醫(yī)療機(jī)構(gòu)藥學(xué)門診服務(wù)規(guī)范等5項(xiàng)規(guī)范的通知》以及配套印發(fā)的《醫(yī)療機(jī)構(gòu)藥學(xué)門診服務(wù)規(guī)范等5項(xiàng)規(guī)范政策解讀》和2024年11月6日發(fā)布的《衛(wèi)生健康行業(yè)人工智能應(yīng)用場景參考指引》為指導(dǎo)，系統(tǒng)梳理了AI技術(shù)在藥學(xué)服務(wù)中的適用場景、發(fā)展目標(biāo)、質(zhì)量控制、風(fēng)險(xiǎn)挑戰(zhàn)與倫理邊界，并提出專家意見，以期為藥師、醫(yī)療機(jī)構(gòu)及技術(shù)開發(fā)者提供參考，提升AI輔助藥學(xué)服務(wù)（AI-assistedpharmacyservices，AIPS）實(shí)踐的科學(xué)性與安全性，彰顯藥師專業(yè)價(jià)值，也為“健康中國”戰(zhàn)略下藥學(xué)服務(wù)的高質(zhì)量發(fā)展注入新動(dòng)能。

1共識(shí)制定方法

本共識(shí)由國家衛(wèi)生健康委醫(yī)院管理研究所藥學(xué)信息專家委員會(huì)、中國醫(yī)藥教育協(xié)會(huì)老年藥學(xué)專業(yè)委員會(huì)和北京整合醫(yī)學(xué)學(xué)會(huì)數(shù)智化藥學(xué)管理與服務(wù)分會(huì)共同發(fā)起，啟動(dòng)時(shí)間為2024年12月，撰寫時(shí)間為2024年12月至2025年3月，外審時(shí)間為2025年4月，定稿時(shí)間為2025年5月。本共識(shí)已在國際實(shí)踐指南注冊(cè)與透明化平臺(tái)完成注冊(cè)（注冊(cè)號(hào)：PREPARE-2025CN320）。

1.1 共識(shí)制定團(tuán)隊(duì)

本共識(shí)制定團(tuán)隊(duì)由執(zhí)筆組、專家組、秘書組構(gòu)成。執(zhí)筆組由6名具有醫(yī)院藥學(xué)、指南方法學(xué)、AI和醫(yī)學(xué)倫理研究及實(shí)踐背景的藥學(xué)專家組成，負(fù)責(zé)共識(shí)的初步撰寫、修改與完善。專家組由具有多學(xué)科背景的42名專家組成，包括醫(yī)院藥學(xué)專家32名、AI與信息技術(shù)專家6名、醫(yī)學(xué)倫理專家4名，負(fù)責(zé)對(duì)共識(shí)推薦意見進(jìn)行整體審閱并提出修改與完善意見。秘書組由3名藥師組成，負(fù)責(zé)文獻(xiàn)檢索、協(xié)調(diào)、統(tǒng)稿、核對(duì)等工作。團(tuán)隊(duì)成員均來自國內(nèi)三級(jí)以上醫(yī)療機(jī)構(gòu)或高等院校，其中執(zhí)筆組和專家組高級(jí)職稱占比分別為 83.3% 和 100% 。

1.2 共識(shí)制定過程

秘書組以“人工智能\"\"機(jī)器學(xué)習(xí)\"\"藥學(xué)服務(wù)”\"醫(yī)院藥學(xué)\"“用藥教育”\"合理用藥”\"藥學(xué)門診\"\"藥學(xué)監(jiān)護(hù)”“藥物重整\"\"居家藥學(xué)\"\"藥物咨詢\"\"用藥監(jiān)測”\"用藥監(jiān)護(hù)”“藥品供應(yīng)”“醫(yī)學(xué)倫理”“知情同意”及其對(duì)應(yīng)的英文術(shù)語為關(guān)鍵詞，檢索PubMed、WebofScience、Embase、Scopus、中國知網(wǎng)、萬方數(shù)據(jù)知識(shí)服務(wù)平臺(tái)和國際、國內(nèi)權(quán)威衛(wèi)生健康部門官方網(wǎng)站，搜集國內(nèi)外指南、專家共識(shí)、系統(tǒng)評(píng)價(jià)、薈萃分析、觀察性研究、隨機(jī)對(duì)照試驗(yàn)、專題綜述等證據(jù)和相關(guān)政策性信息。檢索時(shí)間為數(shù)據(jù)庫或網(wǎng)站建立起至2025年3月31日?；谒鸭淖C據(jù)并結(jié)合國內(nèi)AI輔助藥物服務(wù)實(shí)踐的經(jīng)驗(yàn)與總結(jié)，執(zhí)筆組起草了共識(shí)框架和初稿。隨后，專家組通過2輪改良德爾菲法調(diào)查和多輪討論修改，最終形成推薦意見。

1.3證據(jù)質(zhì)量和推薦強(qiáng)度

在本共識(shí)制定過程中，專家組對(duì)每項(xiàng)推薦意見進(jìn)行了細(xì)致的評(píng)分工作。每位專家依據(jù)李克特量表對(duì)各推薦意見打分，滿分為5分，其中5分代表完全同意，4分代表同意，3分代表無意見傾向，2分代表不同意，1分代表完全不同意。 90% 以上專家同意，視為強(qiáng)推薦； 70%～90% 專家同意，視為推薦；同意率低于 70% 則不納入本共識(shí)。經(jīng)過專家組的審慎評(píng)估，共提煉出23條共識(shí)意見，推薦等級(jí)均為強(qiáng)推薦。

1.4共識(shí)使用者及目標(biāo)人群

推薦共識(shí)使用者為醫(yī)療機(jī)構(gòu)從事藥學(xué)服務(wù)工作的藥學(xué)專業(yè)人員、醫(yī)院藥學(xué)管理人員和AI相關(guān)系統(tǒng)/軟件的開發(fā)人員；目標(biāo)人群為就醫(yī)患者及社區(qū)保健居民。

1.5 利益沖突聲明

為確保獨(dú)立性，本共識(shí)所有參與人均聲明不存在利益沖突。

2共識(shí)內(nèi)容

2.1AIPS的定義與目標(biāo)

推薦意見1（強(qiáng)推薦）：AIPS是指利用AI技術(shù)，通過數(shù)據(jù)分析、機(jī)器學(xué)習(xí)、自然語言處理等方法，模擬醫(yī)院藥師的思維方式和專業(yè)能力，自主獲取藥學(xué)領(lǐng)域的專業(yè)知識(shí)并進(jìn)行高級(jí)推理，在藥師監(jiān)督下全方位輔助、優(yōu)化藥學(xué)服務(wù)的一種技術(shù)體系。

推薦意見2（強(qiáng)推薦）：推薦AIPS應(yīng)用于藥學(xué)門診、藥物重整、用藥教育、藥學(xué)監(jiān)護(hù)、居家藥學(xué)、藥品供應(yīng)等多個(gè)場景，輔助藥師開展智能處方審核、用藥管理與指導(dǎo)、用藥決策建議、智能藥學(xué)隨訪、藥品精準(zhǔn)配送等藥學(xué)服務(wù)。通過與智能軟硬件結(jié)合，AIPS系統(tǒng)可以全面提升藥學(xué)服務(wù)的效能、安全性、有效性和準(zhǔn)確性。

解讀與證據(jù)：（1）提升藥學(xué)服務(wù)效能—AIPS系統(tǒng)可以通過收集和分析醫(yī)療大數(shù)據(jù)，輔助藥師快速獲取關(guān)鍵信息并提供基于證據(jù)的決策支持，優(yōu)化藥學(xué)服務(wù)方案，減少?zèng)Q策時(shí)間；通過先進(jìn)算法構(gòu)建模型，預(yù)測藥學(xué)服務(wù)需求和發(fā)展趨勢，輔助藥師合理制訂計(jì)劃和分配資源；通過自主開展處方（醫(yī)囑）審核、醫(yī)患咨詢等規(guī)律性任務(wù)，釋放藥師時(shí)間，減少藥師重復(fù)性勞動(dòng)的疲憊感，使其將精力專注于更復(fù)雜的臨床工作[3；通過預(yù)測模型提高供應(yīng)鏈的準(zhǔn)確性、透明度和安全性，減少藥品短缺和浪費(fèi)的發(fā)生，降低管理成本[4。（2）提升藥學(xué)服務(wù)的安全性和有效性—AIPS系統(tǒng)可以通過分析藥物診療數(shù)據(jù)和實(shí)驗(yàn)室結(jié)果，協(xié)助藥師準(zhǔn)確識(shí)別高風(fēng)險(xiǎn)患者，快速預(yù)測、評(píng)估藥物療效和藥物不良事件（adversedrugevent，ADE），并提供個(gè)性化的干預(yù)建議；基于患者的個(gè)體化數(shù)據(jù)（如基因組信息、肝腎功能、體液藥物濃度等），AIPS系統(tǒng)可以結(jié)合知識(shí)圖譜和機(jī)器學(xué)習(xí)模型推薦最優(yōu)的給藥方案，快速預(yù)測、識(shí)別并報(bào)告疑似藥物相互作用和ADE，提高用藥的有效性和安全性5；通過對(duì)藥品物資的數(shù)智化管理，降低人為配送失誤風(fēng)險(xiǎn)，減少人力成本。（3）提升藥學(xué)服務(wù)的準(zhǔn)確性—AIPS工具還可以整合政策法規(guī)、藥物信息、臨床指南和研究文獻(xiàn)等多源數(shù)據(jù)，通過構(gòu)建知識(shí)圖譜并進(jìn)行高級(jí)推理與驗(yàn)證，輔助藥師提供更準(zhǔn)確的藥事管理與診療意見[；基于大語言模型（largelanguagemodel，LLM的智能聊天機(jī)器人和虛擬助手可以為醫(yī)務(wù)人員和患者提供用藥指導(dǎo)和常見問題的解答，提高臨床服務(wù)滿意度和患者用藥依從性8]。

2.2 AIPS在藥學(xué)門診中的應(yīng)用

推薦意見3（強(qiáng)推薦）：AIPS能夠基于患者的病史信息和檢驗(yàn)檢查結(jié)果，結(jié)合最新的藥學(xué)知識(shí)和臨床指南，準(zhǔn)確、快速地判斷處方合理性并識(shí)別潛在的深層次用藥問題，為藥師提供實(shí)時(shí)的決策支持建議，輔助藥師提升處方合理性評(píng)估能力?；趶?qiáng)大的自我學(xué)習(xí)潛能，AIPS能夠根據(jù)藥師反饋不斷優(yōu)化審核規(guī)則，進(jìn)一步提高處方審核的準(zhǔn)確性，從而提升處方質(zhì)量，保障患者用藥安全。

解讀與證據(jù)：AIPS系統(tǒng)通過讀取電子病歷系統(tǒng)、醫(yī)學(xué)影像歸檔與傳輸系統(tǒng)、實(shí)驗(yàn)室信息系統(tǒng)等多源數(shù)據(jù)，結(jié)合深度學(xué)習(xí)和大數(shù)據(jù)分析技術(shù)，能夠以更全面、深入的視角識(shí)別處方潛在的不合理問題，包括但不限于適應(yīng)證、用法用量、藥物相互作用、配伍禁忌等[1]。通過對(duì)不適當(dāng)處方的早期識(shí)別，藥師能夠在藥品調(diào)配前及時(shí)向接診醫(yī)師提出患者的個(gè)體化干預(yù)措施建議，在確保藥效的前提下，最大限度降低ADE和藥物相互作用風(fēng)險(xiǎn)[11-12]。特別在面對(duì)復(fù)雜用藥病例時(shí)，AIPS系統(tǒng)可以通過分析患者的完整醫(yī)療記錄和藥師的反饋，自主學(xué)習(xí)并更新知識(shí)庫，輔助藥師識(shí)別出難以發(fā)現(xiàn)的規(guī)律和信號(hào)[13]。有研究表明，使用梯度提升分類和參數(shù)篩查技術(shù)建立的高警示藥品篩查工具，對(duì)高警示藥品錯(cuò)誤處方的識(shí)別率接近 100%^[14] 。此外，基于LLM結(jié)合檢索增強(qiáng)生成技術(shù)和專業(yè)知識(shí)庫建立的臨床決策支持系統(tǒng)，能夠顯著提高識(shí)別處方問題的準(zhǔn)確性，尤其在面對(duì)復(fù)雜處方（如抗感染藥物、多?？扑幬铮r(shí)表現(xiàn)出色[。AIPS系統(tǒng)還能夠通過分析問題的大小和緩急，篩選出需要藥師優(yōu)先處置的問題處方和高危藥品[]，提升處方審核效率。

推薦意見4（強(qiáng)推薦）：AIPS能夠基于患者的個(gè)體化醫(yī)療數(shù)據(jù)和先進(jìn)的數(shù)據(jù)分析技術(shù)，融合藥物知識(shí)圖譜和臨床治療指南，生成更為準(zhǔn)確、詳盡的處方優(yōu)化建議和個(gè)性化的患者用藥指導(dǎo)意見，提高藥師接診能力。

解讀與證據(jù)：AIPS系統(tǒng)通過對(duì)自然語言的理解和對(duì)語音、圖片內(nèi)容的識(shí)別，采集患者的病更及用藥史信息，匯總并生成結(jié)構(gòu)化的電子文檔；基于藥物和疾病的知識(shí)圖譜，通過模型的匹配運(yùn)算，為出診藥師提供優(yōu)化患者治療方案的建議和用藥指導(dǎo)，不僅涵蓋藥物的用法用量，還包括用藥注意事項(xiàng)、潛在ADE的監(jiān)測與預(yù)防，以及生活方式調(diào)整建議等，從而提升藥學(xué)建議采納率、患者用藥依從性和治療效果[16-17]。

2.3 AIPS在藥物重整中的應(yīng)用

推薦意見5（強(qiáng)推薦）：AIPS可以通過LLM或多模態(tài)技術(shù)與住院患者或其家屬展開面對(duì)面問詢和交流、查閱患者既往病歷信息等方式，高效、精準(zhǔn)地采集和錄入必要信息，節(jié)約藥師臨床工作時(shí)間，提升藥物重整效能。

解讀與證據(jù)：AIPS系統(tǒng)可以依托自然語言處理技術(shù)，通過文字、語言、圖像等與患者或其家屬交流，獲取患者的既往史、家族史、過敏史、用藥情況等重要的背景信息，結(jié)合對(duì)患者電子病歷的查閱，實(shí)現(xiàn)對(duì)關(guān)鍵信息的識(shí)別、采集、整合、錄入，并生成藥物重整所需文檔[18]這不僅提高了信息采集的效率和準(zhǔn)確性，還可以減少大量重復(fù)性勞動(dòng)對(duì)藥師臨床工作時(shí)間的占用，輔助提升藥師的藥物重整工作效率。

推薦意見6（強(qiáng)推薦）：針對(duì)老年人、兒童、妊娠及哺乳期女性、肝腎功能不全者、危重癥患者等特殊住院人群的代謝特征異質(zhì)性，AIPS能夠結(jié)合群體藥動(dòng)學(xué)和生理藥動(dòng)學(xué)，與機(jī)器學(xué)習(xí)方法聯(lián)合建模，解析非線性劑量與藥物暴露的關(guān)系，智能并動(dòng)態(tài)生成滿足特殊個(gè)體清除率特征、覆蓋藥物治療窗的最優(yōu)給藥方案，輔助藥師開展高質(zhì)量藥物重整。

解讀與證據(jù)：老年人、兒童、妊娠及哺乳期女性、肝腎功能不全者、危重癥患者等特殊人群存在明顯的藥物代謝差異，導(dǎo)致其發(fā)生ADE的風(fēng)險(xiǎn)增加，故其是開展藥物重整的重點(diǎn)對(duì)象。AIPS系統(tǒng)通過算法分析大量患者數(shù)據(jù)，建立群體藥動(dòng)學(xué)及生理藥動(dòng)學(xué)模型，預(yù)測藥物在不同群體及不同個(gè)體中的藥動(dòng)學(xué)過程，為特殊人群開展藥物重整提供參考。例如，對(duì)肝腎功能不全的重癥患者，AI模型可綜合患者藥動(dòng)學(xué)指標(biāo)調(diào)整藥物劑量和給藥頻率，維持有效藥物濃度，減少ADE的發(fā)生[2。AI模型在處理復(fù)雜高維數(shù)據(jù)和非線性關(guān)系時(shí)同樣出色，可有效優(yōu)化劑量-藥效關(guān)系，明確治療窗口，結(jié)合現(xiàn)有的血藥濃度監(jiān)測數(shù)據(jù)構(gòu)建濃度和暴露量預(yù)測模型，助力精細(xì)化治療[2]。對(duì)兒童患者，AI模型可根據(jù)其生長發(fā)育特點(diǎn)和藥物代謝酶活性，調(diào)整藥物劑量和給藥方式，確保用藥安全、有效。例如，在應(yīng)對(duì)新生兒感染中，基于群體藥動(dòng)學(xué)數(shù)據(jù)，用機(jī)器學(xué)習(xí)方法建立的AI模型可以實(shí)現(xiàn)通過抗菌藥物目標(biāo)谷濃度的初始劑量設(shè)計(jì)和后續(xù)給藥劑量優(yōu)化，指導(dǎo)藥物重整[22]。使用LLM模擬的重癥監(jiān)護(hù)病房臨床藥師，可以預(yù)測重癥患者預(yù)后（如死亡率、急性生理與慢性健康評(píng)分），且能生成與實(shí)際治療方案高度相似的用藥建議[20]。

推薦意見7（強(qiáng)推薦）：AIPS可以整合患者多維度數(shù)據(jù)，并基于算法構(gòu)建患者全病程用藥畫像，實(shí)現(xiàn)高效能藥物重整；結(jié)合區(qū)塊鏈技術(shù)后，AIPS可安全共享患者在不同醫(yī)療場景下的用藥信息，確保藥物重整后的治療連續(xù)性和適宜性。

解讀與證據(jù)：AIPS系統(tǒng)通過整合住院患者病歷信息、檢驗(yàn)檢查結(jié)果、過敏史、關(guān)鍵基因序列、生活方式以及既往用藥記錄等多源數(shù)據(jù)，通過先進(jìn)算法，對(duì)患者用藥情況進(jìn)行全面評(píng)估。例如，機(jī)器學(xué)習(xí)算法可以預(yù)測藥物間的潛在相互作用和患者對(duì)使用藥物的不良反應(yīng)發(fā)生風(fēng)險(xiǎn)，輔助藥師提出科學(xué)的藥物重整意見[23-24]。AI與區(qū)塊鏈技術(shù)結(jié)合后優(yōu)勢更加明顯，憑借區(qū)塊鏈技術(shù)不可篡改、可追溯以及分布式賬本等特性，AIPS系統(tǒng)可為患者用藥信息的安全存儲(chǔ)、溯源及共享提供堅(jiān)實(shí)保障，確?；颊咴谌朐骸⑥D(zhuǎn)科、出院、轉(zhuǎn)診等不同醫(yī)療場景中用藥信息的準(zhǔn)確性和一致性，避免因信息不連續(xù)或不準(zhǔn)確導(dǎo)致藥物重整失敗[25]。

2.4AIPS在用藥教育中的應(yīng)用

推薦意見8（強(qiáng)推薦）：AIPS能夠準(zhǔn)確識(shí)別患者用藥問題的核心含義，通過對(duì)醫(yī)療術(shù)語和專業(yè)概念的通俗化解釋和輸出，確?；颊叱浞掷斫獠∏楹退幬镏委煼桨福⑻峁┢ヅ浠颊呃斫饽芰Φ挠盟幗逃绞胶蛢?nèi)容。

解讀與證據(jù)：AIPS掌握多種語言、熟悉不同文化，可以輔助藥師調(diào)整與患者的溝通方式，為不同特征和需求的患者開展高質(zhì)量的用藥教育[2]。AIPS系統(tǒng)還可以將用藥教育內(nèi)容根據(jù)患者的教育背景和閱讀水平進(jìn)行編輯，通俗解釋復(fù)雜的疾病背景、藥物治療方案和注意事項(xiàng)說明，加強(qiáng)患者的用藥依從性和藥品管理能力[27]AIPS工具借助提示詞策略，可以在保障內(nèi)容準(zhǔn)確性的前提下大幅減少藥品說明書的文字?jǐn)?shù)，顯著提升其可讀性和簡潔性[28]

推薦意見9（強(qiáng)推薦）：AIPS能夠模擬藥師角色，通過智能設(shè)備以對(duì)話或數(shù)字視頻等友好的交互方式開展智能化、不間斷的用藥教育，幫助患者制訂個(gè)性化的合理用藥計(jì)劃，提升患者的用藥體驗(yàn)和自我健康管理能力。

解讀與證據(jù)：依托智能交互技術(shù)，AIPS工具可以為患者提供實(shí)時(shí)的、不間斷的藥物信息咨詢和用藥指導(dǎo)，開展用藥教育和隨訪調(diào)查，幫助患者更好地理解和遵循醫(yī)囑，降低外呼和交互成本。例如，優(yōu)化的LLM能夠綜合考慮患者年齡、性別、文化程度、疾病史、婚育史、健康狀況和用藥情況等多維度信息，在提供用藥教育信息的同時(shí)輔以情感支持，增加患者的良好體驗(yàn)感和信任度，幫助患者更好地理解用藥方案[29-30]。通過虛擬現(xiàn)實(shí)和增強(qiáng)現(xiàn)實(shí)技術(shù)，AIPS能夠創(chuàng)建互動(dòng)式的患者教育平臺(tái)，增強(qiáng)患者的參與感和理解力[3；根據(jù)患者的年齡、性別和生活習(xí)慣，提供用藥提醒、飲食建議和運(yùn)動(dòng)指導(dǎo)，進(jìn)一步提升患者的自我健康管理能力[32]。

推薦意見10（強(qiáng)推薦）：AIPS能輔助藥師快速收集、篩選、評(píng)估和整合多元化的科普素材，根據(jù)疾病特點(diǎn)和患者需求撰寫和制作定制化、高質(zhì)量的多模態(tài)科普材料，滿足不同人群的科普需求，提高科普作品的實(shí)用性和接受度。

解讀與證據(jù)：生成式AI工具可以通過自然語言處理技術(shù)，從海量的醫(yī)學(xué)文獻(xiàn)、臨床指南和專家共識(shí)中提取關(guān)鍵信息，生成高質(zhì)量的醫(yī)學(xué)文本，從而幫助藥師提高撰寫科普文章的效能。在實(shí)際應(yīng)用中，AI還能在推薦意見的形成過程中提供智能輔助，提升科普內(nèi)容的質(zhì)量和一致性。例如，ChatGPT、DeepSeek、Kimi等AI工具已經(jīng)在多個(gè)醫(yī)學(xué)領(lǐng)域中被用于生成高質(zhì)量的科普內(nèi)容，并在臨床實(shí)踐指南的制定、評(píng)價(jià)和應(yīng)用中展現(xiàn)出巨大潛力[]。此外，AI技術(shù)在文生圖和文（圖）生視頻方面也取得了顯著進(jìn)展34，其在提示詞的幫助下，可以根據(jù)藥師需求將醫(yī)學(xué)和藥學(xué)知識(shí)轉(zhuǎn)化為生動(dòng)的圖像和音視頻內(nèi)容，幫助患者更好地理解復(fù)雜的醫(yī)學(xué)和藥學(xué)概念，并進(jìn)一步提高科普材料的吸引力和傳播效果。數(shù)字人技術(shù)更是允許藥師根據(jù)自身專業(yè)特點(diǎn)、性格特質(zhì)以及受眾喜好，設(shè)計(jì)符合個(gè)人風(fēng)格的數(shù)字藥師形象與語言風(fēng)格進(jìn)行科普教育，增強(qiáng)科普內(nèi)容的辨識(shí)度，進(jìn)而提升科普效果與藥師個(gè)人品牌影響力[35]

2.5AIPS在ADE預(yù)測和監(jiān)測中的應(yīng)用

推薦意見11（強(qiáng)推薦）：AIPS可以基于臨床大數(shù)據(jù)與用藥時(shí)序數(shù)據(jù)，運(yùn)用機(jī)器學(xué)習(xí)模型識(shí)別風(fēng)險(xiǎn)信號(hào)并預(yù)測ADE，通過觸發(fā)器等技術(shù)發(fā)出預(yù)警，針對(duì)已發(fā)生的疑似ADE進(jìn)行智能評(píng)價(jià)并生成報(bào)表，從而實(shí)現(xiàn)ADE的主動(dòng)識(shí)別、預(yù)警、監(jiān)測和上報(bào)。

解讀與證據(jù)：AI技術(shù)已在多項(xiàng)研究中用于ADE的預(yù)測或監(jiān)測。通過傳統(tǒng)機(jī)器學(xué)習(xí)、深度學(xué)習(xí)或強(qiáng)化學(xué)習(xí)方法，AIPS系統(tǒng)可通過綜合分析電子病歷文本信息、ADE報(bào)告數(shù)據(jù)庫、患者檢驗(yàn)檢查結(jié)果、藥物治療情況等醫(yī)療大數(shù)據(jù)，識(shí)別不同藥物ADE發(fā)生的特點(diǎn)和規(guī)律，構(gòu)建單品種或相同作用機(jī)制ADE的預(yù)測模型[36]；通過自動(dòng)識(shí)別醫(yī)療電子文檔中的信號(hào)激活觸發(fā)器，實(shí)現(xiàn)ADE的主動(dòng)監(jiān)測、預(yù)警和報(bào)告[]。確認(rèn)ADE發(fā)生后，AIPS系統(tǒng)還可以輔助藥師對(duì)ADE進(jìn)行分類、編碼和偏倚分析，制訂干預(yù)措施并提供依據(jù)。我國學(xué)者通過自動(dòng)因果關(guān)系評(píng)估模型對(duì)藥品不良反應(yīng)報(bào)告開展關(guān)聯(lián)性評(píng)估，準(zhǔn)確率高達(dá) 85.99%^[38] ，不但大幅提升了報(bào)告的評(píng)估和挖掘能力，還可以有效減少遺漏關(guān)鍵報(bào)告的可能性。

2.6AIPS在居家藥學(xué)服務(wù)中的應(yīng)用

推薦意見12（強(qiáng)推薦）：AIPS可以集成于新一代藥品存儲(chǔ)設(shè)備，實(shí)現(xiàn)在居家場景下對(duì)藥品有效期和存儲(chǔ)條件的智能管理和精準(zhǔn)監(jiān)控，顯著提升家庭用藥的安全性和可靠性。

解讀與證據(jù)：智能藥盒、藥箱等新一代藥品存儲(chǔ)設(shè)備接入AIPS模型后，能夠根據(jù)儲(chǔ)存要求實(shí)現(xiàn)藥品分類、分區(qū)管理，監(jiān)測溫度、干濕度、光線等存儲(chǔ)環(huán)境并實(shí)施智能調(diào)節(jié)，以維持藥品的穩(wěn)定性。設(shè)備可以同時(shí)監(jiān)測藥品存量，當(dāng)存量低于預(yù)設(shè)閾值時(shí)提醒用戶補(bǔ)充；監(jiān)測藥品效期，確保藥品被按時(shí)使用或更換。通過條形碼、矩陣碼、電子標(biāo)簽等識(shí)別技術(shù)，設(shè)備可以自動(dòng)識(shí)別和錄入藥品信息，方便用戶查詢藥品的名稱、用途、用法用量和使用時(shí)間等詳細(xì)信息[39]。結(jié)合物聯(lián)網(wǎng)技術(shù)后，設(shè)備還能對(duì)患者服藥時(shí)間、服藥品種和劑量等用藥行為進(jìn)行記錄和傳輸，實(shí)現(xiàn)醫(yī)務(wù)人員或家屬在移動(dòng)終端的遠(yuǎn)程管理，提高居家藥物治療的便利性、安全性和有效性[40]。

推薦意見13（強(qiáng)推薦）：AIPS可以為患者提供遠(yuǎn)程居家藥學(xué)服務(wù)，通過互聯(lián)網(wǎng)和智能軟硬件實(shí)施數(shù)據(jù)采集和服務(wù)輸出，實(shí)現(xiàn)患者足不出戶即可獲得全治療周期的高水平用藥管理服務(wù)，從而提升居家藥學(xué)服務(wù)質(zhì)量。

解讀與證據(jù)：依托AI遠(yuǎn)程醫(yī)療平臺(tái)，患者在居家環(huán)境中就可以享受到AI藥師全天候提供的高水平藥學(xué)服務(wù)。AIPS系統(tǒng)通過穿戴設(shè)備采集并分析患者的病理生理數(shù)據(jù)，評(píng)估藥物治療的效果，并通過智慧屏、智能音箱、社交軟件向患者提出智能建議。日常用藥咨詢、處方審核、教育隨訪等藥學(xué)服務(wù)需求經(jīng)AIPS系統(tǒng)智能分析后可以實(shí)現(xiàn)遠(yuǎn)程快速響應(yīng)。若遇突發(fā)ADE或緊急用藥問題，系統(tǒng)自動(dòng)觸發(fā)分級(jí)預(yù)警，藥師基于AI預(yù)判的用藥風(fēng)險(xiǎn)圖譜及患者實(shí)時(shí)健康數(shù)據(jù)，可以在短時(shí)間內(nèi)介入并提供精準(zhǔn)處置方案，實(shí)現(xiàn)“AI預(yù)篩 + 人工決策”雙重保障，讓居家藥學(xué)服務(wù)兼顧可靠與高效[41-42]。

2.7 AIPS在藥品供應(yīng)中的應(yīng)用

推薦意見14（強(qiáng)推薦）：AIPS能夠綜合分析醫(yī)療機(jī)構(gòu)藥品歷史消耗數(shù)據(jù)和影響因素，構(gòu)建高精度藥品消耗量預(yù)測模型，實(shí)時(shí)推動(dòng)請(qǐng)領(lǐng)計(jì)劃和補(bǔ)貨策略的動(dòng)態(tài)優(yōu)化，從而有效增強(qiáng)藥品供應(yīng)鏈的響應(yīng)靈敏度與運(yùn)營穩(wěn)健性。

解讀與證據(jù)：AIPS系統(tǒng)可以通過整合藥房歷史銷售數(shù)據(jù)、疾病流行趨勢、患者用藥習(xí)慣、季節(jié)和天氣等多源信息，基于機(jī)器學(xué)習(xí)算法構(gòu)建藥品需求預(yù)測模型，生成從補(bǔ)貨預(yù)警、采購計(jì)劃制訂到庫存實(shí)時(shí)調(diào)控的全流程藥品動(dòng)態(tài)、智能和精準(zhǔn)管理建議，實(shí)現(xiàn)藥品供應(yīng)鏈的智能化閉環(huán)管理。實(shí)踐表明，AIPS系統(tǒng)能有效降低藥品賬實(shí)差異發(fā)生率，減少跨藥房調(diào)撥作業(yè)頻次，同步提升庫存周轉(zhuǎn)效能，顯著提高醫(yī)療機(jī)構(gòu)運(yùn)營效率并降低資金占用成本[43-44]。依托分布式網(wǎng)絡(luò)架構(gòu)，可以打造醫(yī)療機(jī)構(gòu)、醫(yī)保信息中心和醫(yī)藥企業(yè)之間的藥品信息協(xié)同云平臺(tái)，實(shí)現(xiàn)區(qū)域內(nèi)藥品供應(yīng)鏈全鏈路溯源追蹤[45]。通過識(shí)別關(guān)鍵變量并加以優(yōu)化，AIPS系統(tǒng)還可以降低供應(yīng)商運(yùn)輸成本和縮短送藥時(shí)間，提升供應(yīng)鏈響應(yīng)效能與資源配置精準(zhǔn)度[46]。

推薦意見15（強(qiáng)推薦）：AIPS結(jié)合新型藥品調(diào)劑和擺藥設(shè)備、核對(duì)系統(tǒng)以及綜合管理軟件，能夠?qū)λ幏康母黜?xiàng)藥品供應(yīng)工作進(jìn)行整體調(diào)度和實(shí)時(shí)監(jiān)控，優(yōu)化人員配置和工作流程，減少人工操作的繁瑣步驟和人為差錯(cuò)風(fēng)險(xiǎn)，提高藥品供應(yīng)工作的整體效率和服務(wù)質(zhì)量。

解讀與證據(jù)：近年來，藥房藥品調(diào)劑和配制工作模式快速從自動(dòng)化向智能化轉(zhuǎn)型。AI系統(tǒng)與自動(dòng)化設(shè)備（如智能調(diào)配機(jī)、分包機(jī)、發(fā)藥機(jī)、核對(duì)機(jī)、貼簽機(jī)等）結(jié)合后，通過圖像識(shí)別和智能算法，顯著提高了藥品調(diào)配的速度和準(zhǔn)確性。這種技術(shù)整合不僅減少了對(duì)人工干預(yù)的需求，還大幅降低了人為錯(cuò)誤的風(fēng)險(xiǎn)[。在智慧化門診藥房中，藥師每人每月的工作時(shí)間大幅壓縮，高峰期每張?zhí)幏降钠骄浒l(fā)時(shí)間明顯縮短，差錯(cuò)率進(jìn)一步降低，患者等候時(shí)間也明顯減少[48]。此外，在靜脈藥物配置中心配備智能配液機(jī)器人，不僅提高了配液的精準(zhǔn)度，還減少了危害藥品配制人員的職業(yè)暴露，降低了人工勞動(dòng)強(qiáng)度，彌補(bǔ)了人員缺口[49。智能風(fēng)險(xiǎn)自檢預(yù)警系統(tǒng)還可以進(jìn)一步減少藥品上機(jī)、配制、傳送、貼簽等關(guān)鍵環(huán)節(jié)的差錯(cuò)風(fēng)險(xiǎn)，提升了配液的安全性與穩(wěn)定性[50]。

2.8 AIPS的倫理與責(zé)任主體

推薦意見16（強(qiáng)推薦）：AIPS系統(tǒng)的開發(fā)、訓(xùn)練、部署和臨床使用，應(yīng)嚴(yán)格遵循國家相關(guān)法律法規(guī)和倫理審查要求，建立數(shù)據(jù)治理機(jī)制，保護(hù)患者隱私，確保數(shù)據(jù)安全。醫(yī)療機(jī)構(gòu)與技術(shù)開發(fā)者需簽署數(shù)據(jù)使用協(xié)議，明確數(shù)據(jù)訪問權(quán)限、使用范圍及銷毀規(guī)則，并通過動(dòng)態(tài)加密、訪問日志追蹤等技術(shù)手段防控?cái)?shù)據(jù)泄露。藥師在使用AIPS工具時(shí)，應(yīng)向患者或監(jiān)護(hù)人充分告知數(shù)據(jù)用途并獲得知情同意，不得將敏感數(shù)據(jù)用于除醫(yī)療或科研外的其他情形。

解讀與證據(jù)：隱私保護(hù)是合理使用醫(yī)療健康數(shù)據(jù)需要關(guān)注的核心倫理問題。臨床藥學(xué)數(shù)據(jù)（如用藥品種、用法用量、ADE記錄等）涉及患者隱私，使用時(shí)必須遵守《中華人民共和國網(wǎng)絡(luò)安全法》《中華人民共和國數(shù)據(jù)安全法》《中華人民共和國個(gè)人信息保護(hù)法》《互聯(lián)網(wǎng)信息服務(wù)算法推薦管理規(guī)定》《生成式人工智能服務(wù)管理暫行辦法》等法律法規(guī)和規(guī)范性文件要求，建議通過聯(lián)邦學(xué)習(xí)[5、差分隱私[2等技術(shù)手段加強(qiáng)隱私保護(hù)，實(shí)現(xiàn)\"數(shù)據(jù)可用不可見”及降低數(shù)據(jù)再次識(shí)別的風(fēng)險(xiǎn)，在保護(hù)患者隱私的前提下支持模型優(yōu)化。此外，需警惕不法分子通過數(shù)據(jù)接口變相獲取患者隱私信息，建議在協(xié)議中明確數(shù)據(jù)的使用權(quán)限，禁止違規(guī)的數(shù)據(jù)商業(yè)化利用行為，并采取技術(shù)手段加以防范。藥學(xué)服務(wù)常涉及對(duì)患者的長期用藥管理，AIPS系統(tǒng)具備持續(xù)收集患者動(dòng)態(tài)數(shù)據(jù)的能力，建議突破傳統(tǒng)的“一次性知情同意”模式，建立動(dòng)態(tài)知情同意、知情選擇退出等機(jī)制，保障患者對(duì)自身數(shù)據(jù)的控制權(quán)。

推薦意見17（強(qiáng)推薦）：AIPS模型的開發(fā)應(yīng)遵循科技倫理審查相關(guān)要求，應(yīng)重點(diǎn)評(píng)估其訓(xùn)練數(shù)據(jù)的代表性和公平性，避免因人群覆蓋不全、數(shù)據(jù)質(zhì)量不高等原因?qū)е螺敵鼋Y(jié)果產(chǎn)生偏倚。技術(shù)開發(fā)者應(yīng)對(duì)模型透明度進(jìn)行披露，確保AIPS的算法具有可解釋性、可溯源性和透明性。藥師應(yīng)理解AIPS模型的計(jì)算原理和依據(jù)，結(jié)合應(yīng)用場景對(duì)模型提供的計(jì)算結(jié)果或建議進(jìn)行復(fù)核，定期結(jié)合最新數(shù)據(jù)驗(yàn)證其有效性，避免盲目依賴算法輸出。

解讀與證據(jù)：數(shù)據(jù)偏倚可能引發(fā)系統(tǒng)性誤判，美國醫(yī)療AI曾因使用歷史醫(yī)療費(fèi)用數(shù)據(jù)訓(xùn)練模型，錯(cuò)誤低估了黑人患者的真實(shí)需求，作出黑人患者醫(yī)療花費(fèi)少卻被判定為\"更健康\"的錯(cuò)誤判斷[53]。藥師和技術(shù)人員需要主動(dòng)收集多樣化數(shù)據(jù)（如不同年齡、不同種族、不同地區(qū)、不同等級(jí)醫(yī)療機(jī)構(gòu)、罕見病患者等），并通過重采樣技術(shù)平衡數(shù)據(jù)集，確保模型平等地覆蓋不同群體。算法可解釋性是實(shí)現(xiàn)AI藥學(xué)服務(wù)倫理合規(guī)的核心，盡管深度學(xué)習(xí)模型常被視為“黑箱”，但AIPS模型輸出的建議和計(jì)算結(jié)果仍需符合循證醫(yī)學(xué)邏輯[54]。建議技術(shù)開發(fā)者采用可解釋AI技術(shù)將AI的藥學(xué)建議轉(zhuǎn)化為特征權(quán)重（如藥物相互作用權(quán)重、患者肝腎功能評(píng)分等）并提供推理依據(jù)，幫助藥師理解輸出依據(jù)并糾正錯(cuò)誤。例如，若AIPS系統(tǒng)推薦某藥物劑量時(shí)未考慮患者肌酐清除率，可通過特征溯源發(fā)現(xiàn)模型輸入數(shù)據(jù)的缺失，進(jìn)而優(yōu)化數(shù)據(jù)采集流程?！皵?shù)據(jù)集偏移”可能導(dǎo)致模型性能衰減[55，在藥學(xué)服務(wù)場景中，新藥上市、循證證據(jù)更新、疾病譜變化、政策調(diào)整均可能影響AIPS系統(tǒng)輸出信息的有效性，因此需定期基于最新數(shù)據(jù)驗(yàn)證模型，對(duì)偏移指標(biāo)持續(xù)監(jiān)控，并通過迭代更新流程修正模型偏差。

推薦意見18（強(qiáng)推薦）：AIPS系統(tǒng)的責(zé)任主體應(yīng)包括技術(shù)開發(fā)者、醫(yī)療機(jī)構(gòu)及藥師三方。其中，技術(shù)開發(fā)者需確保模型通過基本驗(yàn)證，并提供合格的第三方測試評(píng)估報(bào)告和完整的局限性聲明，根據(jù)醫(yī)療機(jī)構(gòu)反饋和定期數(shù)據(jù)更新情況進(jìn)行模型迭代優(yōu)化，承擔(dān)系統(tǒng)可靠性責(zé)任；醫(yī)療機(jī)構(gòu)應(yīng)履行系統(tǒng)日常維護(hù)、權(quán)限管理和合規(guī)性監(jiān)管責(zé)任；藥師在明確AI輔助地位的前提下，承擔(dān)最終決策責(zé)任。三方相互協(xié)同配合，共同完成人員培訓(xùn)、數(shù)據(jù)管理、模型驗(yàn)證與調(diào)整等工作。

解讀與證據(jù)：目前關(guān)于AIPS輔助醫(yī)療決策過程的法律法規(guī)尚不完善，特別是在責(zé)任歸屬方面存在諸多空白和模糊地帶[56]。建議借鑒當(dāng)前醫(yī)用軟件開發(fā)經(jīng)驗(yàn)，構(gòu)建技術(shù)開發(fā)者、醫(yī)療機(jī)構(gòu)及藥師三方共同參與的醫(yī)療風(fēng)險(xiǎn)防控體系，劃分責(zé)任邊界，確保在出現(xiàn)問題時(shí)能夠明確責(zé)任歸屬。AIPS系統(tǒng)在部署前應(yīng)通過專業(yè)資質(zhì)和能力驗(yàn)證，同時(shí)根據(jù)醫(yī)學(xué)倫理\"有意義的人類控制\"這一新興原則明確藥師的主導(dǎo)地位，即AIPS僅作為藥師決策的輔助工具。技術(shù)開發(fā)者有義務(wù)通過算法優(yōu)化與臨床驗(yàn)證確保AIPS系統(tǒng)推薦內(nèi)容的準(zhǔn)確性，最大限度地避免錯(cuò)誤推薦；若因算法偏差而推薦錯(cuò)誤方案，技術(shù)開發(fā)者應(yīng)承擔(dān)技術(shù)缺陷責(zé)任，但藥師仍需依據(jù)專業(yè)標(biāo)準(zhǔn)獨(dú)立審核方案的合理性，雙方分別在系統(tǒng)可靠性和臨床決策正確性上承擔(dān)不可替代的主體責(zé)任。建議建立模型事件報(bào)告和持續(xù)改進(jìn)機(jī)制，形成藥師反饋使用情況、醫(yī)療機(jī)構(gòu)優(yōu)化數(shù)據(jù)、技術(shù)開發(fā)者更新算法、藥師再次驗(yàn)證模型的閉環(huán)，實(shí)現(xiàn)風(fēng)險(xiǎn)可追溯、錯(cuò)誤可糾正、責(zé)任可明確的目標(biāo)，既符合“透明決策”的倫理要求，又保障了患者用藥安全。

2.9AIPS面臨的挑戰(zhàn)與質(zhì)量控制建議

推薦意見19（強(qiáng)推薦）：高質(zhì)量藥學(xué)數(shù)據(jù)的不足會(huì)導(dǎo)致AIPS系統(tǒng)輸出結(jié)果產(chǎn)生偏倚，影響用藥安全與決策可信度。建議對(duì)輔助AIPS模型訓(xùn)練的數(shù)據(jù)保持高質(zhì)量動(dòng)態(tài)更新，并使其具備一定的規(guī)模和多模態(tài)特性，以適配于本地醫(yī)療機(jī)構(gòu)藥學(xué)任務(wù)模型的架構(gòu)需求，且能通過測試和代表性驗(yàn)證。

解讀與證據(jù)：高質(zhì)量數(shù)據(jù)集能夠顯著提高AIPS模型的可靠性與可解釋性，并減少訓(xùn)練時(shí)長。數(shù)據(jù)不足或類型單一會(huì)引發(fā)決策偏倚，如抗菌藥物推薦模型如果未納入當(dāng)?shù)丶?xì)菌耐藥菌數(shù)據(jù)，會(huì)導(dǎo)致建議方案出現(xiàn)偏差；電子處方中“0.1g\"與“ 100mg^′ ”未標(biāo)準(zhǔn)化可能會(huì)增加劑量計(jì)算模型的誤判風(fēng)險(xiǎn)；藥師手寫備注“患者自行停藥”等多模態(tài)數(shù)據(jù)如果未能被系統(tǒng)采集，模型可能無法識(shí)別患者用藥依從性不佳的真實(shí)場景[59。此類數(shù)據(jù)缺陷的疊加效應(yīng)，將導(dǎo)致藥學(xué)服務(wù)從處方審核到用藥指導(dǎo)的全鏈條風(fēng)險(xiǎn)升級(jí)。建議醫(yī)療機(jī)構(gòu)通過標(biāo)準(zhǔn)化數(shù)據(jù)治理、動(dòng)態(tài)更新機(jī)制與多模態(tài)信息整合，構(gòu)建高質(zhì)量數(shù)據(jù)集和防錯(cuò)閉環(huán)：建議技術(shù)開發(fā)者配合醫(yī)療機(jī)構(gòu)持續(xù)優(yōu)化數(shù)據(jù)采集的標(biāo)準(zhǔn)、邏輯和范圍。

推薦意見20（強(qiáng)推薦）：未經(jīng)系統(tǒng)化培訓(xùn)的藥學(xué)人員使用AIPS工具，可能存在難以識(shí)別AI模型誤判、決策邏輯失察及提示工程失效的風(fēng)險(xiǎn)，進(jìn)而導(dǎo)致錯(cuò)誤使用輸出結(jié)果的概率升高。使用AIPS系統(tǒng)的藥學(xué)專業(yè)人員應(yīng)具備相應(yīng)資質(zhì)，掌握AI工具運(yùn)行的基本原理和操作技能；使用生成式AI提問時(shí)，提示詞應(yīng)清晰、具體，明確AI在藥學(xué)服務(wù)中的輔助角色。

解讀與證據(jù)：當(dāng)前，使用AIPS工具提供藥學(xué)服務(wù)的藥師普遍缺乏專業(yè)培訓(xùn)。建議從事藥學(xué)門診、藥物重整、用藥教育、藥學(xué)監(jiān)護(hù)等藥學(xué)服務(wù)的藥師應(yīng)具備相關(guān)服務(wù)規(guī)范對(duì)人員資格和工作經(jīng)驗(yàn)的要求，通過培訓(xùn)能掌握AI工具的使用方法、自然語言處理技術(shù)原理、數(shù)據(jù)安全規(guī)范等[6]，并具備驗(yàn)證和處理AI輸出結(jié)果的能力[61]；使用生成式AI輔助開展藥學(xué)服務(wù)前，應(yīng)做好必要的準(zhǔn)備工作。清晰、具體、有針對(duì)性的提示詞能夠幫助AI更好地理解需求，生成更為準(zhǔn)確、可靠的答案，包括明確限定AI的職能邊界（如臨床藥師助手的角色定位）精準(zhǔn)定義任務(wù)范疇（如處方審核或用藥建議生成）系統(tǒng)輸入多維數(shù)據(jù)（包括人口學(xué)特征、臨床診斷信息及藥物治療史等核心參數(shù)），以及設(shè)定標(biāo)準(zhǔn)化輸出格式要求等。此外，建議對(duì)所使用的AI工具、交互日志、AI生成的信息加以保存，以備溯源。

推薦意見21（強(qiáng)推薦）：現(xiàn)階段，生成式AI模型（含推理模型）輸出結(jié)果中的幻覺仍不可完全避免，在上述多種藥學(xué)服務(wù)場景中，如果AIPS模型提供的答案存在錯(cuò)誤或誤導(dǎo)性信息，可能引起藥師建議或決策失誤，對(duì)患者造成傷害并引發(fā)患者對(duì)藥學(xué)服務(wù)的不信任。藥師必須對(duì)生成式AIPS模型輸出的結(jié)果進(jìn)行人工復(fù)核，將幻覺風(fēng)險(xiǎn)降到最低。

解讀與證據(jù)：生成式AI的幻覺問題在藥學(xué)服務(wù)中可能引發(fā)嚴(yán)重后果。有研究表明，生成式模型因訓(xùn)練數(shù)據(jù)偏差或邏輯推理缺陷，可能輸出看似合理但實(shí)際與現(xiàn)有醫(yī)藥學(xué)知識(shí)不符的內(nèi)容。例如，ChatGPT對(duì)“達(dá)格列凈是否與中性粒細(xì)胞減少癥相關(guān)？”的回答是“文獻(xiàn)中未見報(bào)道”，但該藥的說明書中已明確標(biāo)注了相關(guān)風(fēng)險(xiǎn)[；在回答妊娠期間服用螺內(nèi)酯是否有致畸性數(shù)據(jù)時(shí)，提供了不存在的參考文獻(xiàn)3；計(jì)算萬古霉素給藥劑量時(shí)，未根據(jù)肌酐清除率進(jìn)行調(diào)整[]。匯總分析顯示，ChatGPT4.0回答各類藥學(xué)問題的總體正確率雖與人類藥師相當(dāng)，但也僅達(dá)到 64.3%^[64] 。藥師是處方（醫(yī)囑）審核工作的第一責(zé)任主體，必須對(duì)AIPS模型輸出的結(jié)果進(jìn)行真實(shí)性和可解釋性的人工復(fù)核，控制因生成式AI幻覺帶來的風(fēng)險(xiǎn)，維護(hù)藥學(xué)服務(wù)的專業(yè)公信力。

推薦意見22（強(qiáng)推薦）：引入AIPS模型前缺乏準(zhǔn)入機(jī)制、預(yù)先規(guī)劃和自評(píng)估，可能造成資源浪費(fèi)與效率失衡。應(yīng)確保醫(yī)療機(jī)構(gòu)在引人AIPS技術(shù)前建立準(zhǔn)入機(jī)制，進(jìn)行系統(tǒng)和長遠(yuǎn)的規(guī)劃，充分評(píng)估藥事需求，明確具體目標(biāo)與任務(wù)，實(shí)現(xiàn)資源精準(zhǔn)投人與醫(yī)療質(zhì)量、效率提升，杜絕技術(shù)空轉(zhuǎn)與資源浪費(fèi)。

解讀與證據(jù)：隨著國內(nèi)先進(jìn)的開源AI模型不斷崛起，醫(yī)療機(jī)構(gòu)部署AI算力的成本顯著降低，但仍然是一筆不小的開銷，如未能將本地高質(zhì)量數(shù)據(jù)與實(shí)際使用場景相契合，則難以發(fā)揮出該模型的預(yù)想作用，盲自采用反而增加患者用藥風(fēng)險(xiǎn)。醫(yī)療機(jī)構(gòu)部署AIPS系統(tǒng)前應(yīng)建立完善的準(zhǔn)人工作制度與程序，藥學(xué)部門應(yīng)聯(lián)合臨床、醫(yī)管、信息等部門明確核心場景（如處方審核、ADE評(píng)價(jià)等），優(yōu)先通過小規(guī)模試點(diǎn)來評(píng)估、驗(yàn)證技術(shù)的適配性，采用模塊化架構(gòu)分階段擴(kuò)展（如先部署審方模塊，再擴(kuò)展至個(gè)體化用藥），同時(shí)推動(dòng)區(qū)域醫(yī)療聯(lián)盟共建、共享算力池與知識(shí)庫，避免重復(fù)投人。通過精準(zhǔn)需求匹配與資源協(xié)同，可實(shí)現(xiàn)AIPS相關(guān)工具的精準(zhǔn)部署和成果的高效轉(zhuǎn)化。

推薦意見23（強(qiáng)推薦）：過度依賴AI會(huì)導(dǎo)致系統(tǒng)脆弱性與應(yīng)急能力不足的風(fēng)險(xiǎn)增加。如果醫(yī)療機(jī)構(gòu)和藥師過度依賴AIPS等AI技術(shù)，可能導(dǎo)致在面對(duì)系統(tǒng)故障或突發(fā)事件時(shí)難以應(yīng)對(duì)。建議加強(qiáng)對(duì)算法、數(shù)據(jù)的備份管理，并保持藥師獨(dú)立開展藥學(xué)服務(wù)的能力，確?；A(chǔ)藥學(xué)服務(wù)的可持續(xù)性。

解讀與證據(jù)：為應(yīng)對(duì)過度依賴AI導(dǎo)致的系統(tǒng)脆弱性與應(yīng)急能力不足的風(fēng)險(xiǎn)，建議通過AIPS系統(tǒng)的本地化部署、區(qū)塊鏈備份多版本算法以及關(guān)鍵數(shù)據(jù)，確保在系統(tǒng)故障時(shí)能持續(xù)提供基礎(chǔ)藥學(xué)服務(wù)，降低技術(shù)中斷風(fēng)險(xiǎn)。為防范藥師因過度依賴AI而導(dǎo)致專業(yè)技能退化，建議加強(qiáng)對(duì)藥師使用AIPS工具的原則教育，明確AI的輔助定位和藥師承擔(dān)主體責(zé)任的法規(guī)要求；同時(shí)，構(gòu)建兼顧能力考核、責(zé)任約束和持續(xù)學(xué)習(xí)的風(fēng)險(xiǎn)管控機(jī)制，如要求藥師通過年度人工審方能力測試，將AI使用技術(shù)課程納入藥師繼續(xù)教育體系，制訂無AI參與的藥學(xué)服務(wù)應(yīng)急預(yù)案（如模擬系統(tǒng)巖機(jī)）并定期開展演練。最終目標(biāo)是通過制度約束與能力建設(shè)，實(shí)現(xiàn)藥師在AI輔助下的知識(shí)迭代而非能力替代，筑牢人機(jī)協(xié)同的用藥安全防線[62]。

3結(jié)語

本共識(shí)是國內(nèi)首個(gè)系統(tǒng)性針對(duì)AIPS工作的專家共識(shí)，不僅涵蓋了AIPS的定義、目標(biāo)、在不同應(yīng)用場景中的作用等內(nèi)容，還對(duì)數(shù)據(jù)安全、技術(shù)依賴、質(zhì)量控制、最終決策、倫理與責(zé)任等關(guān)鍵問題進(jìn)行了深入探討，既指出了AI對(duì)提升藥學(xué)服務(wù)效能的重要作用，又提出了現(xiàn)階段必須面臨的挑戰(zhàn)與建議，為當(dāng)下不同藥學(xué)服務(wù)場景中AI技術(shù)的科學(xué)、規(guī)范應(yīng)用與管理提供了明確的技術(shù)性指導(dǎo)。鑒于AI技術(shù)的高速發(fā)展、迭代和藥學(xué)服務(wù)需求的不斷拓展、深人，本共識(shí)將定期更新，以確保其內(nèi)容的時(shí)效性和實(shí)用性。期待與廣大藥學(xué)專業(yè)人員、醫(yī)療機(jī)構(gòu)管理人員和技術(shù)開發(fā)者共同努力，推動(dòng)AIPS的高質(zhì)量發(fā)展，為患者的健康保駕護(hù)航。

（聲明：本共識(shí)由國家衛(wèi)生健康委醫(yī)院管理研究所藥學(xué)信息專家委員會(huì)、中國醫(yī)藥教育協(xié)會(huì)老年藥學(xué)專業(yè)委員會(huì)和北京整合醫(yī)學(xué)學(xué)會(huì)數(shù)智化藥學(xué)管理與服務(wù)分會(huì)共同發(fā)起，基于最新的研究成果，結(jié)合了來自全國多家醫(yī)院、高校專家的意見，并邀請(qǐng)了多學(xué)科專家進(jìn)行論證和審定。然而，共識(shí)中所包含的推薦意見并不代表上述3家發(fā)起單位所有專家和成員的觀點(diǎn)。誠摯歡迎使用者針對(duì)本版共識(shí)中的不足之處提供寶貴的意見和建議，以便在下一版中改進(jìn)）

共識(shí)編寫團(tuán)隊(duì)（按姓氏筆畫排序）

執(zhí)筆組

白楠（中國人民解放軍總醫(yī)院醫(yī)療保障中心藥劑科）

張翔宇（天津醫(yī)科大學(xué)總醫(yī)院空港醫(yī)院藥學(xué)部）

屈靜晗（北京協(xié)和醫(yī)院藥劑科）

崔曉輝（首都醫(yī)科大學(xué)宣武醫(yī)院藥學(xué)部）

蔡樂（中國人民解放軍總醫(yī)院醫(yī)療保障中心藥劑科）

廖音（首都醫(yī)科大學(xué)附屬友誼醫(yī)院藥劑科）

專家組

王天琳（中國人民解放軍總醫(yī)院醫(yī)療保障中心藥劑科）

王冬（天津市腫瘤醫(yī)院空港醫(yī)院藥學(xué)部）

王芳（中國人民解放軍總醫(yī)院醫(yī)療保障中心藥劑科）

王卓（海軍軍醫(yī)大學(xué)附屬第一醫(yī)院藥劑科）

王靜（中國人民解放軍總醫(yī)院第一醫(yī)學(xué)中心普通外科醫(yī)學(xué)部）

馮銳（河北醫(yī)科大學(xué)第四醫(yī)院藥學(xué)部）

史琛（華中科技大學(xué)同濟(jì)醫(yī)學(xué)院附屬協(xié)和醫(yī)院藥學(xué)部）

平耀東（北京大學(xué)腫瘤醫(yī)院藥學(xué)部）

劉煒（首都醫(yī)科大學(xué)附屬北京佑安醫(yī)院藥學(xué)部）

齊宏亮（中國醫(yī)科大學(xué)附屬第一醫(yī)院鞍山醫(yī)院藥學(xué)部）

冷學(xué)明（中國科學(xué)院大學(xué)電子電氣與通信工程學(xué)院）

沈承武（山東第一醫(yī)科大學(xué)附屬省立醫(yī)院藥學(xué)部）

李源（中國人民解放軍總醫(yī)院醫(yī)療保障中心信息科）

李新剛（首都醫(yī)科大學(xué)附屬北京友誼醫(yī)院藥劑科）

楊勇（四川省人民醫(yī)院藥學(xué)部）

張?zhí)m（首都醫(yī)科大學(xué)宣武醫(yī)院藥學(xué)部）

張建民（首都醫(yī)科大學(xué)附屬首都兒童醫(yī)學(xué)中心藥學(xué)部）

張海洪（北京大學(xué)受試者保護(hù)體系辦公室）

張湛（清華大學(xué)計(jì)算機(jī)學(xué)院）

張勤儉（北京信息科技大學(xué)機(jī)電工程學(xué)院）

陳孟莉（中國人民解放軍總醫(yī)院醫(yī)療保障中心藥劑科）

枉前（陸軍軍醫(yī)大學(xué)第一附屬醫(yī)院藥劑科）

金鵬飛（北京醫(yī)院藥學(xué)部）

鄭曉?。ㄉ轿麽t(yī)科大學(xué)第一醫(yī)院藥學(xué)部）

趙立波（北京大學(xué)第三醫(yī)院藥劑科）

趙慶春（北部戰(zhàn)區(qū)總醫(yī)院藥學(xué)部）

趙明沂（沈陽藥科大學(xué)生命科學(xué)與生物制藥學(xué)院）

趙穎波（國家衛(wèi)生健康委醫(yī)院管理研究所）

趙彬（北京協(xié)和醫(yī)院藥劑科）

袁恒杰（天津醫(yī)科大學(xué)總醫(yī)院藥劑科）

郭代紅（中國人民解放軍總醫(yī)院醫(yī)療保障中心藥劑科）

耿洲（蘇州大學(xué)附屬第二醫(yī)院藥學(xué)部）

康建（鄭州大學(xué)第一附屬醫(yī)院藥學(xué)部）

黃迪（北京航空航天大學(xué)計(jì)算機(jī)學(xué)院）

黃富宏（揚(yáng)州大學(xué)附屬醫(yī)院藥劑科）

雷建波（北京大學(xué)醫(yī)學(xué)信息學(xué)中心）

熊寧寧（南京中醫(yī)藥大學(xué)附屬醫(yī)院GCP中心）

蔡本志（哈爾濱醫(yī)科大學(xué)附屬第二醫(yī)院藥學(xué)部）

蔡爽（中國醫(yī)科大學(xué)附屬第一醫(yī)院藥學(xué)部）

翟所迪（北京大學(xué)第三醫(yī)院藥劑科）

冀召帥（清華大學(xué)附屬北京清華長庚醫(yī)院藥劑科）

戴海斌（浙江大學(xué)醫(yī)學(xué)院附屬第二醫(yī)院藥學(xué)部）

秘書組

劉涵（中國人民解放軍總醫(yī)院醫(yī)療保障中心藥劑科）邢露霏（中國人民解放軍總醫(yī)院醫(yī)療保障中心藥劑科）郝曉慧（中國人民解放軍總醫(yī)院醫(yī)療保障中心藥劑科）

參考文獻(xiàn)

［1］吳菲，沈愛宗，蔡瓊，等.數(shù)據(jù)與知識(shí)聯(lián)合驅(qū)動(dòng)的智慧藥 學(xué)服務(wù)體系構(gòu)建及系統(tǒng)實(shí)踐[J].中國現(xiàn)代應(yīng)用藥學(xué)， 2022，39（21）：2751-2756.

[2]SERRANO DR，LUCIANO FC，ANAYABJ，et al.Artificial intelligence（AI）applications in drug discovery and drug delivery：revolutionizing personalized medicine[J]. Pharmaceutics，2024，16（10）：1328.

[3]BHUYAN S S，SATEESHV，MUKUL N，et al. Generative artificial intelligence use in healthcare：opportunities for clinical excellence and administrative efficiency[J]. J Med Syst，2025，49（1）：10.

[4]王卓蕓，于飚，陶亮亮，等.借助自回歸移動(dòng)平均模型構(gòu) 建兒童口服退燒藥消耗量的預(yù)測模型[J].中南藥學(xué)， 2024，22（4）：1097-1100.

[5］詹世鵬，馬攀，劉芳.機(jī)器學(xué)習(xí)在治療藥物監(jiān)測與個(gè)體化 用藥中的應(yīng)用[J].中國藥房，2023，34（1）：117-121，128.

[6]姚，劉東杰，郭代紅，等.臨床藥物不良事件主動(dòng)監(jiān)測 與智能評(píng)估警示系統(tǒng)Ⅱ的研發(fā)[J].中國藥物應(yīng)用與監(jiān) 測，2020，17（6）：387-391.

[7] GWONYN，KIMJH，CHUNGHS，etal.Theuseof generative AI for scientific literature searches for systematic reviews： ChatGPT and microsoft Bing AI performance evaluation[J]. JMIR Med Inform，2024，12：e51187.

[8]PARAMASIVAN A. AI-enhanced virtual assstantsin healthcare： streamlining administrative tasks and improving patient engagement[J].J Sci Eng Res，2020，7（10）： 262-268.

[9]BOHLMANN A，MOSTAFA J，KUMAR M. Machine learning and medication adherence：scoping review[J]. JMIRxMed，2021，2（4）：e26993.

[10]DICKINSONH，TELTSCHDY，F(xiàn)EIFELJ，et al.The unseen hand：AI-based prescribing decision support tools and the evaluation of drug safety and effectiveness[J]. Drug Saf，2024，47（2）：117-123.

[11]TAI C T，SUE KL，HU Y-H. Machine learning in highalertmedication treatment：astudy on thecardiovascular drug[J].Appl Sci，2020，10（17） ：5798.

[12]PATEL J，LADANI A，SAMBAMOORTHI N，et al.A machine learning approach to identify predictors of potentially inappropriate non-steroidal anti-inflammatory drugs （NSAIDs）use in older adults with osteoarthritis[J]. Int J EnvironResPublicHealth，2020，18（1）：155.

[13]OBERMEYER Z，EMANUEL E J. Predicting the future： big data，machine learning，and clinical medicine[J].N EnglJMed，2016，375（13）：1216-1219.

[14]WONGYIKUL P，THONGYOT N，TANTRAKOOLCHAROEN P，et al. High alert drugs screening using gradient boosting classifier[J]. Sci Rep，2021，11（1） ：20132.

[15]LEVIVIEN C，CAVAGNA P，GRAH A，et al. Assessment of a hybrid decision support system using machine learning with artificial intelligence to safely rule out prescriptions from medication review in daily practice[J].Int J Clin Pharm，2022，44（2）：459-465.

[16]王天琳，蔡樂，董釗，等.基于生成式人工智能大語言模 型編寫缺血性卒中患者出院用藥教育材料的案例研究 [J].臨床藥物治療雜志，2025，23（1）：71-76.

[17]LEITNER J，CHIANG PH，AGNIHOTRI P，et al. The effect of an AI-based，autonomous，digital health intervention using precise lifestyle guidance on blood pressure in adults with hypertension： single-arm nonrandomized trial [J]. JMIR Cardio，2024，8：e51916.

[18]YANG X，CHEN A K，POURNEJATIAN N，et al.A large language model for electronic health records[J]. NPJ Digit Med，2022，5（1） ：194.

[19]BRACKENA，REILLY C，F(xiàn)EELEY A，et al. Artificial intelligence （AI）-powered documentation systems in healthcare：a systematic review[J].JMed Syst，2025，49（1） ：28.

[20]LIU Z L，WU ZH，HU MX，et al. PharmacyGPT：the artificial intelligence pharmacist and an exploration of AI for ICU pharmacotherapy management[EB/OL]. （2023-07- 19）[2025-03-26]. https：//rxiv.org/html/2307.10432v3.

[21]POWELEIT E A，VINKS A A，MIZUNO T. Artificial intelligence and machine learning approaches to facilitate therapeutic drug management and model-informed precision dosing[J]. Ther Drug Monit，2023，45（2） ：143-150.

[22]TANG B H， ZHANG JY，ALLEGAERT K，et al. Use of machine learning for dosage individualization of vancomycin in neonates[J].Clin Pharmacokinet，2023，62（8）： 1105-1116.

[23]李麗敏，吳文宇，魏芬芳，等.機(jī)器學(xué)習(xí)在藥物警戒領(lǐng)域 應(yīng)用的文獻(xiàn)計(jì)量分析[J].藥物流行病學(xué)雜志，2024，33 （7） ：801-811.

[24]ZHANG YY，DENG ZQ，XU XY，et al. Application of artificial intelligence in drug-drug interactions prediction： a review[J]. JChem InfModel，2024，64（7）：2158-2173.

[25]WANG S Q，DU G X，DAI S F，et al. Efficient information exchange approach for medical IoT based on AI and DAG-enabled blockchain[J].Heliyon，2024，11（2）： e41617.

[26]ARMSTRONG D，PAUL C，MCGLAUGHLIN B，et al. Can artificial intelligence（AI） educate your patient？ A study to assess overall readability and pharmacists’perception of AI- generated patient education materials[J]. J Am Coll Clin Pharm，2024，7（8）：803.

[27]ROUHI AD，GHANEM Y K，YOLCHIEVA L，et al. Can artificial intelligence improve the readability of patient education materials on aortic stenosis？ A pilot study[J]. Cardiol Ther，2024，13（1）：137-147.

[28]閆盈盈，何娜，張志玲，等.生成式人工智能構(gòu)建患者藥 品說明書的方法研究[J].臨床藥物治療雜志，2024，22 （5）：1-6.

[29]REIS Z SN，PAGANO A S，RAMOS DE OLIVEIRAIJ， et al. Evaluating large language model-supported instructions for medication use： first steps toward a comprehensive model[J]. Mayo Clin Proc Digit Health，2024，2（4） ： 632-644.

[30]TOPOL E J. Machines and empathy in medicine[J]. Lancet，2023，402（10411） ：1411.

[31]BATES D W，LEVINE D，SYROWATKA A，et al. The potential of artificial intelligence to improve patient safety ： a scoping review[J]. NPJ Digit Med，2021，4（1） ：54.

[32]AGGARWAL A，TAM C C，WU D Z， et al. Artificial intelligence-based chatbots for promoting health behavioral changes： systematic review[J]. JMed Internet Res， 2023，25：e40789.

[33]羅旭飛，呂晗，宋再偉，等.生成式人工智能對(duì)臨床實(shí)踐 指南制訂、評(píng)價(jià)和應(yīng)用的影響[J].協(xié)和醫(yī)學(xué)雜志，2024， 15（5）：1173-1181.

[34]WANG J Z， WANG K，YU Y F，et al. Self-improving generative foundation model for synthetic medical image generation and clinical applications[J]. Nat Med，2025，31 （2）：609-617.

[35]蔡雨坤，陳禹堯.取\"人\"之長：虛擬數(shù)字人在科普中的應(yīng) 用研究[J].科普研究，2023，18（4）：26-34，107.

[36]李明，熊曉敏，劉猛.人工智能在藥物不良反應(yīng)管理中的 應(yīng)用研究進(jìn)展[J].臨床藥物治療雜志，2024，22（12）：1-5.

[37]NISHIOKA S， WATABE S， YANAGISAWA Y，et al. Adverse event signal detection using patients’ concerns in pharmaceutical care records：evaluation of deep learning models[J].JMed Internet Res，2024，26：e55794.

[38]GAO ZY，YANG Y，MENG RG，et al. Automatic assessment of adverse drug reaction reports with interactive visual exploration[J]. SciRep，2022，12（1） ：6777.

[39]賈欣悅，鄭媛媛.創(chuàng)新聯(lián)網(wǎng)購藥智能藥箱設(shè)計(jì)[J].科技與 創(chuàng)新，2022（5）：79-81.

[40]SRINIVAS M， DURGAPRASADARAO P， RAJ V N P. Intelligent medicine box for medication management using IoT[C]//2018 2nd International Conference on Inventive Systems and Control（ICISC）.Coimbatore： IEEE， 2018：32-34.

[41]楊秋波.互聯(lián)網(wǎng)醫(yī)院中的智能居家服務(wù)終端應(yīng)用[J].集 成電路應(yīng)用，2024，41（3）：242-243.

[42]許偉嵐，齊金玲，李喜春，等.人工智能輔助系統(tǒng)對(duì)老年 慢性病患者居家風(fēng)險(xiǎn)管理的作用[J].齊齊哈爾醫(yī)學(xué)院學(xué) 報(bào)，2021，42（11）：974-976.

[43]HEZAMI M，ALI A M，ALSHAMRANI A M，et al. Artificial intelligence's impact on drug delivery in healthcare supply chain management： data，techniques，analysis，and managerial implications[J]. JBig Data，2024，11（1） ：177.

[44]SHEN J W，BU F J，YE Z Q，et al. Management of drug supply chain information based on“artificial inteligence + vendor managed inventory” in China： perspective based on a case study[J]. Front Pharmacol，2024，15：1373642.

[45]郭瑞，孫嫣，王江濤，等.基于互聯(lián)網(wǎng)信息技術(shù)構(gòu)建智能 醫(yī)藥供應(yīng)鏈管理新平臺(tái)[J].中國現(xiàn)代應(yīng)用藥學(xué)，2023，40 （24）：3445-3451.

[46]GHAZVINIAN A，F(xiàn)ENG B，F(xiàn)ENG JW. Enhancing efficiency in the healthcare sector through multi-objective optimization of freight cost and delivery time in the HIV drug supply chain using machine learning[J]. Systems， 2025，13（2） ：91.

[47]ALAHMARI A R，ALRABGHI K K，DIGHRIRI I M. An overview of the current state and perspectives of pharmacy robot and medication dispensing technology[J]. Cureus，2022，14（8） ：e28642.

[48]周志偉，趙雯雯，郁文劉.基于物聯(lián)網(wǎng)和人工智能技術(shù)的 智慧化門診藥房構(gòu)建[J].中國醫(yī)療設(shè)備，2024，39（2）： 95-100.

[49]曾娜，孫華君，于廣軍.配液機(jī)器人在我國靜脈用藥調(diào)配 中心的應(yīng)用現(xiàn)狀與展望[J].上海醫(yī)藥，2024，45（23）： 14-18.

[50]葛立萌，祁建平，張志康，等.智慧靜脈藥物配液機(jī)器人 風(fēng)險(xiǎn)屏障機(jī)制探討[J].機(jī)器人外科學(xué)雜志（中英文）， 2024，5（3）：484-488.

[51]RAJPURKAR P，CHEN E，BANERJEE O，et al. AI in health and medicine[J]. NatMed，2022，28（1）：31-38.

[52]胡奧婷，胡愛群，胡韻，等.機(jī)器學(xué)習(xí)中差分隱私的數(shù)據(jù) 共享及發(fā)布：技術(shù)、應(yīng)用和挑戰(zhàn)[J].信息安全學(xué)報(bào)，2022， 7（4）：1-16.

[53]OBERMEYER Z，POWERS B，VOGELI C，et al. Dissecting racial bias inan algorithm used to manage the health of populations[J]. Science，2019，366（6464） ：447-453.

[54]于蘭亦，翟曉梅.人工智能在臨床實(shí)踐中的創(chuàng)新應(yīng)用和 倫理挑戰(zhàn)[J].數(shù)字醫(yī)學(xué)與健康，2024（2）：108-112.

[55]FINLAYSON S G，SUBBASWAMY A，SINGH K，et al. Theclinician and dataset shift in artificial intelligence[J]. NEnglJMed，2021，385（3）：283-286.

[56]WHO. Ethics and governance of artificial intelligence for health：guidance on large multi-modal models[EB/OL]. [2025-03-26]. https：//www. who.int/publications/i/item/ 9789240084759.

[57]俞鼎.“有意義的人類控制\"：智能時(shí)代人機(jī)系統(tǒng)\"共享控 制\"的倫理原則解析[J].自然辯證法研究，2024，40（2）： 83-88，129.

[58]ASTUDILLO C A，LOPEZ-CORTES X A，OCQUE E， et al.Multi-label classification to predict antibiotic resistance from raw clinical MALDI-TOF mass spectrometry data[J]. Sci Rep，2024，14（1） ：31283.

[59]Schouten D，Nicoletti G，Dille B，et al.Navigating the landscape of multimodal AI in medicine： a scoping review on technical challenges and clinical applications[EB/OL]. （2024-11-06）[2025-03-26]. htps：//pubmed.ncbi.nlm.nih. gov/40482561/.

[60]MALERBI F K，NAKAYAMA L F，GAYLE DYCHIAO R，et al. Digital education for the deployment of artificial intelligence in health care[J]. JMed Internet Res，2023， 25：e43333.

[61]EGUIA H，SANCHEZ-BOCANEGRA C L，VINCIARELLI F，et al. Clinical decision support and natural language processing in medicine：systematic literature review[J].J Med Internet Res，2024，26：e55315.

[62]MONTASTRUC F， STORCK W，DE CANECAUDE C， etal.Will artificial intelligence chatbotsreplace clinical pharmacologists？An exploratory study in clinical practice [J].Eur JClin Pharmacol，2023，79（10）：1375-1384.

[63]MUNIR F，GEHRES A，WAI D，et al. Evaluation of ChatGPT as a tool for answering clinical questions in pharmacy practice[J].JPharm Pract，2024，37（6）：1303-1310.

[64]ALBOGAMI Y，ALFAKHRI A，ALAQIL A，et al. Safety and quality of AI chatbots for drug-related inquiries：a real-world comparison with licensed pharmacists[J]. Digit Health，2024，10：20552076241253523.