Tolvaptan

【概述】 慢性心衰是一组复杂的自发进展性的临床综合征，慢性心衰加重是指慢性心衰患者在病情稳定一段时间后出现心衰症状和（或）体征的加重，需要调整治疗方案。 慢性心衰加重是在基础病因和（或）诱因作用下，涉及一系列复杂的细胞分子机制，心肌能量代谢、心肌细胞数量、细胞结构、细胞外基质等发生变化，导致心肌细胞坏死、心肌纤维化、心室扩大和（或）心肌肥厚等病理性重构加剧，心肌收缩力及心室顺应性进一步下降。根据患者心衰严重程度，临床评估和治疗方案调整可以在门诊或住院进行。 部分慢性心衰加重患者的心衰症状和（或）体征突然加重，表现为急性心衰，需要紧急救治。 症状和（或）体征逐渐加重的慢性心衰患者通过门诊治疗方案调整可能减少因心衰住院风险。 【慢性心衰加重的临床表现】 (1）心衰症状和（或）体征 （如呼吸困难、疲乏、腹胀、纳差、肺部啰音、水肿）再次出现或加重，这是心衰加重的最主要临床表现。 (2）心衰合并疾病的症状和（或）体征出现或加重： 如心律失常相关的心悸、黑曚、晕厥； 心肌缺血相关的胸闷、胸痛； 感染相关的发热、咳嗽、咳痰； 新出现的心脏杂音等。 (3）心脏影像学检查提示心脏结构和（或）功能异常加重或者利钠肽进行性升高。 慢性心衰加重临床上多表现为心衰逐渐失代偿（容量负荷增多），严重的患者可发生急性肺水肿或心原性休克。 【临床评估】 临床评估是制订治疗方案的前提和基础，应贯穿于心衰整个治疗过程中，动态观察并早期识别心衰加重非常重要。心衰的诊断和临床评估依赖于病史、体格检查、实验室检查、心脏影像学检查及功能检查。完整准确的病史采集和全面仔细的体格检查是临床评估的基础。 3.1 确定是否存在心衰加重 心衰患者出院后应进行门诊随访，需定期对心衰患者的症状、体征、活动能力进行评估。 症状评估可选择以下指标之一：NYHA心功能分级、堪萨斯城心肌病患者生活质量量表(KCCQ）或明尼苏达心衰生活质量调查表(MLHFQ）、6分钟步行试验、峰值摄氧量、二氧化碳通气当量斜率。 病情评估还包括超声心动图、血利钠肽。 根据前后2次评估结果的比较， 如出现以下情况可判定为心衰加重： 原心衰症状和（或）体征再现或加重； 心衰生物学标志物异常升高； 心脏结构和（或）功能异常加重； 出现心衰并发症，如心肾综合征、新发心律失常、心包积液等。 3.2 评估心衰加重的病因及诱因 3.2.1 心衰病因的再评估 心衰加重时再次评估病因至关重要，包括既往病因是否加重，是否存在新发病因，病因是否可逆等。影响心包、心肌、心内膜、心脏瓣膜、血管系统或代谢的许多疾病都可以引起心衰加重。 常见的心原性可逆病因包括： 缺血性心脏病（特别是新发急性冠状动脉综合征）、未控制的高血压、主动脉夹层、可手术治疗的严重瓣膜狭窄或关闭不全、心包疾病（如缩窄性心包炎、心包积液）和可逆性心肌病（如应激性心肌病、心动过速性心肌病）。 临床怀疑某种特殊病因导致的心衰（如心肌淀粉样变、嗜铬细胞瘤、肾动脉狭窄）时，应进行相应的筛查和诊断性检查。 3.2.2 合并疾病及其他诱发因素的评估 合并疾病的出现和加重往往成为心衰加重的主要诱因，要尽早发现、及时处理。 (1）心原性相关疾病：如心律失常，包括快速及缓慢型心律失常，尤其是心房颤动（房颤）。 (2）非心原性相关疾病： ①感染：肺部感染是诱发心衰加重的常见原因，此外还有感染性心内膜炎、脓毒血症等； ②其他疾病： 如慢性阻塞性肺疾病急性加重、支气管哮喘急性发作、肺栓塞、肾功能恶化、血糖控制不良、电解质紊乱、新发脑血管意外、贫血、铁缺乏症、妊娠、甲状腺功能异常、嗜铬细胞瘤、自身免疫性疾病（如系统性红斑狼疮、白塞病）。 (3）治疗相关问题： ①慢性心衰药物治疗不规范： 心衰治疗药物的种类不足、剂量不达标、治疗依从性差（自行停药等）、未定期随访等； ②容量负荷增多： 如利尿剂使用不足、输液过多过快； ③使用可加重心衰的药物： 如非甾体抗炎药、糖皮质激素、某些抗肿瘤药物、负性肌力药物等。 (4）其他：剧烈情绪波动、睡眠不足、过度体力消耗、创伤、围术期等。 3.2.3 病情严重程度的评估 根据心衰加重的速度、严重程度、血流动力学、生物标志物、肝肾等器官功能状况、合并症以及并发症、年龄等综合因素进行危险分层，制定与之对应的管理路径和治疗策略（图1）。    慢性心衰加重患者的管理路径和治疗策略 (1）低危患者可以在门诊治疗。 (2）中危患者需要住院或在急诊治疗。 是否需要住院治疗除了要考虑临床因素，亦会受非临床因素的影响，比如门诊的医疗基础设施和护理水平、医疗保障政策、住院床位、患者及家属的意愿、患者的社会经济和家庭条件等等。 (3）高危患者应立即收入或者转入重症监护病房。少数患者出现迅速而严重的心衰加重，参照参考急性心衰的处理原则。 对于没有改善或心衰继续恶化的患者，应给予治疗“升级”，提高治疗强度，对药物治疗无反应者可行机械循环辅助支持治疗。 (4）难治性终末期心衰患者，应考虑心脏移植、长期机械循环辅助治疗或者姑息治疗。需要强调的是这种危险分层是相对的，各层级相互重叠相互转换，必须动态观察、动态评估，根据病情变化和治疗效果调整治疗方案。 对于心衰改善的患者应持续治疗以减轻和消除淤血，并且进一步优化指南推荐的药物治疗（慢性心衰加重患者的管理方案危险分层是制定管理方案的重要依据， 中危和高危的患者常常需要住院或急诊治疗，静脉用药改善症状为主。 根据临床评估（如是否存在淤血和低灌注），选择最优化的治疗策略。 ①心衰逐渐失代偿的患者以利尿为主， 如出现外周低灌注，可使用正性肌力药和血管收缩药； ②突发急性肺水肿者，血压一般正常或升高，应在利尿基础上使用血管扩张药， ③心原性休克患者则需要正性肌力药和血管收缩药，必要时应用器械辅助装置。 4.1 药物治疗 4.1.1 利尿剂 容量管理是心衰管理中的一个重要组成部分，是治疗和预防心衰加重的关键环节。心衰患者容量状态复杂且动态变化， 慢性心衰患者在每次随访时应评估体液潴留情况。 适应证：有液体潴留证据的心衰患者均应使用利尿剂（Ⅰ，C）。 禁忌证： （1）无液体潴留的症状及体征； （2）痛风是噻嗪类利尿剂的禁忌证； （3）已知对某种利尿剂过敏或者存在不良反应。 应用方法：强调根据患者淤血的症状和体征、血压、肾功能选择剂量。 心衰加重时一般首选静脉应用呋塞米或托拉塞米，如果平时使用襻利尿剂治疗，最初静脉剂量应等于或超过长期每日所用剂量（推荐剂量为平时日剂量的1.0～2.5倍）。监测患者症状、尿量、肾功能和电解质的变化。根据患者对利尿剂的反应调整剂量，体重每天减轻0.5~1.0 kg 为宜。一旦症状缓解、病情控制，即以最小有效剂量长期维持，并根据液体潴留的情况随时调整剂量。每天体重的变化是最可靠的监测指标。可教会患者根据病情需要（症状、水肿、体重变化）调整剂量。有低灌注表现的患者应在纠正后再使用利尿剂。 轻度心衰患者使用小剂量利尿剂即反应良好，心衰加重时常需加大利尿剂剂量，最终大剂量也无反应，即出现利尿剂抵抗。 ➮利尿剂反应不佳或利尿剂抵抗临床处理措施包括！！！ (1）注意患者的依从性、液体及钠的摄入量，钠摄入过多导致利尿剂疗效差； (2）换用其他利尿剂及改变袢利尿剂的用量和用法： 将呋塞米改为布美他尼或托拉塞米； 增加利尿剂用量和次数； 给药方式由口服改为静脉用药； 呋塞米可以每天2~3次推注； 由静脉注射改为静脉注射联合持续静脉滴注，避免因利尿剂浓度下降引起的水钠重吸收； (3）加用醛固酮受体拮抗剂或增加其用量；(4）纠正低血压、低氧血症、低钠血症、低蛋白血症、酸中毒、感染等，尤其注意纠正低血容量； (5）联合使用不同种类的利尿剂（如袢利尿剂和噻嗪类利尿剂、襻利尿剂联用血管加压素V2受体拮抗剂），有协同作用，但增加低血容量、低血压、低钾血症、肾功能损害风险，仅适合短期应用，需更严密地监测； (6）应用增加肾血流的药物提高肾灌注，如静脉使用小剂量多巴胺或重组人利钠肽； 利尿剂的使用过程中需警惕不良反应的发生： （1）电解质丢失：利尿剂导致的低钾、低镁血症是心衰患者发生严重心律失常的常见原因； （2）低血压：应注意区分容量不足和心衰加重； （3）肾功能恶化（避免过度利尿使血管内有效容量不足出现肾脏低灌注导致急性肾损伤）、高尿酸血症等。 血管加压素V2受体拮抗剂阻断肾脏集合管的水重吸收，增加水排泄，血浆渗透压升高，有利于消除器官组织水肿和维持血管内容量稳定，代表药物为托伐普坦。 该药对伴顽固性水肿或低钠血症者疗效显著。研究显示在急性失代偿性心衰早期使用托伐普坦，可明显缓解淤血症状。在使用常规利尿剂治疗后仍有液体潴留的心衰患者，在常规治疗基础上联用托伐普坦片15 mg/d 7天，可显著减轻水肿，安全性良好。EVEREST研究事后分析显示心衰合并低钠血症患者长期应用托伐普坦能降低病死率。 适应证：推荐用于常规利尿剂治疗效果不佳、有低钠血症或有肾功能损害倾向患者（Ⅱa,B）。 禁忌证：低容量状态；对口渴不敏感或对口渴不能正常反应的患者；高钠血症。 应用方法： 起始剂量为7.5～15mg/d，常用剂量15 mg/d，最大剂量30 mg/d。与袢利尿剂合用有协同利尿效果。用药后1～2天即可见明显的利尿效果。用药期间应监测血钠和容量状态，避免与细胞色素P4503A4强效抑制剂（依曲康唑、克拉霉素等）合用。 不良反应:主要是口渴和高钠血症。 慢性低钠血症的纠正不宜过快，避免血浆渗透压迅速升高造成脑组织脱水而继发渗透性脱髓鞘综合征。偶有肝损伤，应检测肝功能。 4.1.2 静脉血管扩张药 收缩压>90 mmHg(1 mmHg=0.133 kPa）的患者可使用静脉血管扩张药来缓解急性心衰的症状，尤其适用于伴有高血压的急性肺水肿的患者（Ⅱa,B）。 收缩压<90 mmHg或症状性低血压患者，禁忌使用。 应用过程中从小剂量开始，密切监测血压，根据血压情况调整合适的维持剂量。 常用药物有硝酸酯类药物、硝普钠、重组人利钠肽、乌拉地尔。 4.1.3 静脉正性肌力药物 适用于低血压（收缩压<90 mmHg）和（或）组织器官低灌注的患者（Ⅱb,C）。 短期静脉应用正性肌力药物可增加心输出量，升高血压，缓解组织低，维持重要脏器的功能， 常用药物有 B 受体激动剂（多巴酚丁胺、多巴胺）、磷酸二酯酶 III 抑制剂（米力农、奥普力农）、钙增敏剂（左西孟旦）。 注意事项： (1）血压降低伴低心输出量或低灌注时应尽早使用，器官灌注恢复和（或）淤血减轻时则应尽快停用，对于使用 B 受体阻滞剂的患者，正性肌力药物可首选左西孟旦或磷酸二酯酶 III 抑制剂； (2）药物的剂量和静脉滴注速度应根据患者的病情和临床反应及时调整； (3）用药期间应持续心电、血压监测， B 受体激动剂常引起心动过速、心律失常。 使用左西孟旦或磷酸二酯酶 III 抑制剂应注意其扩张血管作用，低血压时不推荐予以负荷剂量。 4.1.4 血管收缩药物 血管收缩药物（如去甲肾上腺素、肾上腺素）适用于应用正性肌力药物后仍出现心原性休克或合并明显低血压状态的患者，首选去甲肾上腺素维持收缩压。 4.1.5 肾素-血管紧张素系统（RAS）抑制剂HFrEF患者应用血管紧张素转换酶抑制剂（n ACEI）（Ⅰ，A）或血管紧张素Ⅱ受体拮抗剂（ARB）（Ⅰ，B）或血管紧张素受体脑啡肽酶抑制剂（ARNI）（Ⅰ，B）抑制肾素-血管紧张素系统，降低心衰的发病率和死亡率。 慢性 HFrEF 患者加重时， RAS 抑制剂使用建议◆◆◆： (1）对于已经使用 RAS 抑制剂的患者，若无禁忌证，应继续应用。 (2）建议首选 ARNI ，如果不能使用 ARNI ，应使用 ACEI ，对于不能耐受 ACEI 或 ARNI 的有症状患者，可使用 ARB 。 ARNI 有 ARB 和脑啡肽酶抑制剂的作用，后者可升高利钠肽、缓激肽和肾上腺髓质素及其他内源性血管活性肽的水平。 ARNI 代表药物是沙库巴曲缬沙坦钠。 ARNI 起效迅速，可以改善心脏收缩和舒张功能，逆转心室重构，可提高患者生活质量并减少室性心律失常的发生。 PARADIGM - HF 研究显示26,与依那普利相比， ARNI 使 HFrEF 患者的主要复合终点（心血管死亡和心衰住院）风险降低20%。经 ACEI / ARB 治疗3个月后仍有症状， NYHA 心功能分级 II ~ III 级的 HFrEF 患者，推荐将 ACEI / ARB 替换为 ARNI 。(3）尚未使用 RAS 抑制剂的 HFr EF 患者应尽早使用，除非有禁忌证或不能耐受。 从小剂量开始，逐渐递增，每隔2周剂量倍增1次，直至达到最大耐受剂量或目标剂量。滴定剂量及过程需个体化，开始服药和调整剂量后应监测血压、血钾及肾功能。 (4）使用 ARNI / ACEI / ARB 治疗 HFr EF 患者时存在剂量﹣反应关系，达到目标剂量（参照中国心衰诊断和治疗指南2018）时可进一步改善预后。临床试验中， ARNI / ACEI / ARB 剂量不是由ACEI / ARB 剂量不是由患者的治疗反应决定，而是增加至预定的目标剂量。临床医师应尝试使用在临床试验中被证明可以减少心血管事件的目标剂量，如不能耐受，也应使用患者能够耐受的最大剂量。 (5）调整到最佳剂量后长期维持，避免突然撤药。 心衰加重的患者，应关注 RAS 抑制剂的不良反应◆◆◆： (1）肾功能恶化：如果血肌酐升高＞30%,应减量，若升高＞50%，应停用。 (2）高钾血症：血钾＞5.5 mmol / L ，应暂时停用；血钾＞6.0mmol/ L 时，应采取降低血钾的措施，如口服钾结合剂。 (3）低血压：无症状性低血压通常不需要改变治疗。对于症状性低血压，可先调整或停用其他有降压作用的药物，如仍不能耐受，应减量或停用； 若无液体潴留，利尿剂可减量； 若血钠<130 mmol / L ，可增加食盐摄入。 4.1.6 B 受体阻滞剂临床研究已证实 HFrEF 患者长期应用 B 受体阻滞剂（琥珀酸美托洛尔、比索洛尔及卡维地洛），能改善症状和生活质量，降低死亡、住院、猝死风险。病情相对稳定的 HFrEF 患者均应使用 B 受体阻滞剂，除非有禁忌证或不能耐受（ I , A )。 慢性 HFrEF 患者加重时， B 受体阻滞剂使用建议◆◆◆ (1）正在服用 B 受体阻滞剂的心衰加重患者，应维持使用，除非出现禁忌证。 (2）尚未使用 B 受体阻滞剂的 HFrEF 患者应尽早使用，除非有禁忌证或不能耐受。 NYHA 心功能分级 IV 级患者应在血流动力学稳定后小剂量使用，滴定的剂量及过程需个体化，要密切观察心率、血压、体重、呼吸困难、淤血的症状及体征。 (3）起始剂量须小，每隔2~4周可剂量加倍，使用指南推荐的 B 受体阻滞剂在治疗 HFrEF 患者时存在剂量﹣反应关系，达到目标剂量时可进一步改善预后。应尽可能逐渐达到指南推荐的目标剂量（参照中国心衰诊断和治疗指南2024）或最大可耐受剂量，并长期使用，突然停药会导致病情加重。 (4）心动过缓(50~60次／ min ）和血压偏低（收缩压85~90mmHg）的患者可减少剂量，如果患者容量负荷过重并出现利尿剂抵抗， B 受体阻滞剂应减量。 严重心动过缓（<50次／ min )、严重低血压（收缩压＜85 mmHg )、休克、需要使用正性肌力药物患者应停用 B 受体阻滞剂。 但在出院前应再次启动降受体阻滞剂治疗。 4．不良反应： (1）心衰恶化。当液体潴留加重时，先增加利尿剂剂量，如无效或病情严重， B 受体阻滞剂应减量。出现明显乏力时，需排除睡眠呼吸暂停低通气综合征、过度利尿或抑郁等，若考虑与 B 受体阻滞剂应用或加量相关，则应减量。 (2）心动过缓和 AVB 。心率＜50次／ min ，或出现二度及以上 AVB 时，应减量或停药。 (3）低血压。 一般出现于首剂或加量的24~48 h 内，处理同 ARNI 和 ACEI ，若伴有低灌注的症状， B 受体阻滞剂应减量或停用，并重新评估患者的临床情况。 4.1.7醛固酮受体拮抗剂（ MRA ) 推荐 HFrEF 患者在使用 ACEI / ARB 、 B 受体阻滞剂的基础上， 若无禁忌证，加用醛固酮受体拮抗剂，可进一步改善症状，降低全因死亡和心衰住院风险（ I , A )。心衰加重的患者，醛固酮受体拮抗剂起始或加量的第3天和1周时应监测血钾和肾功能，前3个月每个月监测1次，以后每3个月监测1次。血钾＞5.5mmol/ L 或估算的肾小球滤过率（ eGFR )<30 ml /( min .1.73m2）应减量并密切观察，血钾＞6.0mmol/ L 或 eGFR <20 ml /( min .1.73m2）应停用。 4.1.8钠﹣葡萄糖共转运蛋白2 SGLT -2）抑制剂 SGLT -2抑制剂治疗 HFrEF 患者预后。 在目前心衰指南推荐的心衰治疗基础上，加用达格列净可降低 HFrEF 患者主要终点事件风险26%、降低心血管死亡风险18%。 加用恩格列净可降低 HFrEF 患 管死亡或心衰住院的风险25%，降低心衰住院的风险30%。 基于目前循证证据 对 NYHA 心功能分级 II ~ IV 级的心衰加重的 HFrEF 患者 推荐使用 SGLT -2抑制剂（达格列净，10mg，每日1次或恩格列净10mg，每日1次）( I , A )。 2型糖尿病伴动脉粥样硬化性心血管疾病（ ASCVD ）或 ASCVD 高危因素患者 推荐使用 SGLT -2抑制剂以降低心血管事件风险（ I , A )。 禁忌证： 1型糖尿病患者； 已知对药物过敏； 妊娠或哺乳期妇女；  eGFR <30 ml /( min ·1.73m2）患者禁用达格列净；  eGFR <20 ml /( min ·1.73m2)患者禁用恩格列净。 不良反应： (1）泌尿生殖道感染：多为轻中度细菌或真菌感染，常规抗感染治疗有效。建议注意外阴部卫生，适量饮水。 (2）酮症酸中毒：少见。如出现可疑症状需立即检测血酮体和动脉血气；如确诊，应立即停药，并按酮症酸中毒治疗； 使用该药前建议检测血胰岛素和 C 肽水平。在计划外科手术前暂时停药，以避免潜在的酮症酸中毒风险； (3）容量不足：与利尿药合用时，可能需要减少利尿药剂量。 (4）在入量不足或体液丢失较多时暂停，以避免发生急性肾损伤。 (5)会阴坏死性筋膜炎：罕见。4.1.9新型可溶性鸟苷酸环化酶（ sGC ）刺激剂维立西呱是一种口服 sGC 刺激剂，可不依赖于一氧化氮（ NO ）的浓度，直接刺激 sGC ，同时也可以增加 NO 的敏感性，通过双重机制刺激 s GC 产生 cGMP ，发挥抗炎与抗心肌纤维化的作用。 适应证：维立西呱适用于治疗慢性心衰患者( NYHA 心功能分级 II ~ IV 级、 LVEF <45%)，在发生心衰住院或静脉利尿剂治疗后，以降低心血管死亡和心衰住院风险。 使用方法： 起始剂量为2.5 mg / d 、第2周上调至5mg/ d 、第4周上调至目剂量10 mg / d ，此后每4周对血压与临床症状进行评估。注意事项：由于可能出现低血压，不建议将维立西呱与长效硝酸盐或磷酸二酯酶5抑制剂联用。妊娠患者禁用，不推荐用于哺乳期患者。 4.1.10伊伐布雷定NYHA 心功能分级 II ~ IV 级、 LVEF ≤35％的窦性心律患者，合并以下情况之一可加用伊伐布雷定： (1）已使用 ACEI / ARB / ARNI 、 B 受体阻滞剂、醛固酮受体拮抗剂， B 受体阻滞剂已达到目标剂量或最大耐受剂量，窦性心律，心率仍≥70次／ min ( lla , B ); (2）窦性心律，心率≥70次／ min ,对 B 受体阻滞剂禁忌或不能耐受者（ lla , C )。 4.1.11地高辛 Meta 分析结果显示心衰患者长期使用地高辛对病死率的影响是中性的，但可降低其住院风险。洋地黄类药物可改善心衰患者的症状，降低 HFrEF 患者住院风险，也可用于控制房颤患者的心室率。 1．适应证：已应用利尿剂、 RASI 、 B 受体阻滞剂、SGLT2i和 MRA ，仍持续有症状的 HFrEF 患者( llb , B )2．禁忌证： (1）病态窦房结综合征、二度及以上 AVB ;(2）心肌梗死急性期（<24 h )，尤其是有进行性心肌缺血者； (3）预激综合征伴房颤或心房扑动； (4）肥厚型梗阻性心肌病。3．应用方法： 地高辛0.125~0.25 mg / d ， 老年、肾功能受损、低体重患者可0.125 mg 1次／ d 或隔天1次， 应监测地高辛血药浓度，建议维持在0.5~0.9 ug / L ，不应高于1.2μ g / L 。 4．不良反应： (1）心律失常。最常见室性早搏，快速性房性心律失常伴有传导阻滞是洋地黄中毒的特征性表现。 (2）胃肠道症状。 (3）神经精神症状（视觉异常、定向力障碍）。不良反应常出现于地高辛血药浓度＞2.0μ g / L 时，也见于地高辛血药浓度较低，但合并低钾血症、低镁血症、心肌缺血、甲状腺功能减退时。 4.2心衰的非药物治疗4.2.1心脏再同步化治疗（  CRT )药物优化治疗至少3个月后仍有心衰加重症状的 HFrEF 患者应该评估有无 CRT 治疗适应证改善症状、提高生活质量及降低心衰死亡率。 希氏﹣浦肯野系统（希浦系统）起搏包括了希氏束起搏（ HBP )和左束支起搏（ LBBP )，是生理性的心室起搏方式，相比传统的右心室起搏可获得更好的电和机械同步性。符合 CRT 适应证患者，由于各种原因导致左心室导线植入失败的患者，应该考虑希浦系统起搏。常规双心室起搏后 CRT 无反应患者，可以考虑希浦系统起搏。 4.2.2房颤的节律控制 房颤导致心衰急性加重，表现为快速心室率和血流动力学不稳定，需要紧急电复律（ I , C )。心衰合并房颤患者，在优化药物治疗及室率控制基础上，若有心衰加重，可以节律控制（ Ilb , B )。给予药物治疗后，如果阵发性房颤或持续性房颤与心衰加重之间存在明确的相关性，应考虑导管消融来预防或治疗房颤（ lla , B )。4.2.3房颤的起搏治疗房颤导致心衰恶化，对于强化心室率控制和节律治疗无反应及不耐受或不适合导管消融治疗者可以考虑"起搏加消融"策略，即再同步化起搏加房室结消融（ Ila , B )。4.2.4室性心律失常的消融治疗室性心律失常可能是心衰的并发症或原因。频发的室性早搏可导致可逆性收缩功能障碍，对于频发室性早搏导致的心动过速心肌病患者，射频消融室性早搏可改善左心室功能，并可能改善预后。基线室性早搏负荷持续降低与随访期间心脏死亡、心脏移植或心衰住院风险降低相关41-42。导管消融治疗参考《2020室性心律失常中国专家共识》。考虑心衰加重与室性心律失常相关时，应转诊给心脏电生理治疗团队。 4.3心衰常见合并症的处理 心衰加重的预防与治疗同等重要。慢性心衰加重的预防，即防止心衰患者发生加重事件，其重点在于遵循指南进行规范化药物治疗，识别高危人群，加强随访管理和患者教育。心衰加重的高危因素有： 高龄、心衰病程长、心衰病因无法纠正、心肌梗死病史、合并症多（糖尿病、慢性阻塞性肺疾病、肿瘤）、既往反复心衰入院、 NYHA 心功能分级 III 级或 IV 级、高利钠肽水平、肝功能不全、肾功能不全、电解质紊乱、改善 HFr EF 预后的药物使用种类不足、剂量不达标、治疗依从性差、未定期随访等。 早期发现并及时纠正可逆因素，避免发生临床事件，有助于减少住院、改善预后。 避免使用可引起心衰加重的药物： 如负性肌力药物（地尔硫草卓、维拉帕米）、非甾体抗炎药、部分降糖药（沙格列汀，噻唑烷二酮类）、口服糖皮质激素、部分抗肿瘤药物（蒽环类等）、部分生物制剂（贝伐珠单抗、拉帕替尼、肿瘤坏死因子﹣ a 抑制剂等）、部分抗心律失常药物（氟卡尼、丙吡胺、索他洛尔、决奈达隆）。 心衰加重患者的管理应遵循心衰指南及相关疾病指南，需要多学科合作，包括急性期的救治、慢性心衰治疗的启动和优化、合并症的诊治、计划性随访、运动康复、生活方式干预、健康教育、患者自我管理、精神心理支持、社会支持等，对于改善患者的生活质量、延缓疾病的恶化、降低再住院率具有重要意义。 参考文献:慢性心衰急性加重综合管理中国专家共识 免责声明！（请点击查看） 脑干的解剖与定位（超详细）PPT 神经系统定位诊断（超详细）PPT 神经系统检查PPT 糖尿病酮症酸中毒课件PPT 急性肺栓塞诊断和治疗指南解读（一）（2025） 社区获得性肺炎诊断和治疗ppt 医学PPT—中国咳嗽基层诊疗与管理指南（2024） 侵袭性肺真菌病诊断和治疗指南PPT 医学课件—支气管哮喘防治指南(2024) 医学课件—国家基层慢性阻塞性肺疾病防治及管理实施指南（2025） 【急诊常见症状】 13 急性腹痛 动脉血气分析六步法PPT 结核菌素试验及临床意义 【急诊常见症状】10 发绀

引用文本：[1]吴琼,陈新,袁奕斌,等.人工智能在精准用药中的应用进展[J].解放军药学学报,2025,38(03):221-226+233. 作者：吴 琼,陈 新,袁奕斌,季 波 单位：南部战区总医院 【摘要】人工智能技术的迅猛发展为精准用药带来了新的机遇。精准用药旨在根据个体患者的基因组信息、生活习惯及环境因素，制订个性化的治疗方案，以提高疗效和减少不良反应。然而，尽管当前在精准用药方面已有诸多研究，但仍面临数据整合不足、模型解释性差和临床应用转化慢等问题。人工智能技术通过大数据分析、机器学习和深度学习等手段，能够有效挖掘患者数据中的潜在信息，从而辅助医师制订更为精准的用药方案。本文综述了人工智能在精准用药中的最新应用研究，探讨了其在药物剂量调整、个体化药物治疗、药物不良反应预警以及智能药物推荐等方面的创新应用，旨在为未来的研究提供参考，并促进人工智能技术在精准用药中的广泛应用。 【关键词】人工智能；精准用药；药物不良反应预警；个体化治疗 精准用药是指根据个体的遗传特征、生活方式和环境因素，为患者量身定制的医疗方案。这一理念的核心在于通过深入理解患者的生物学特征，优化药物选择和剂量，从而提高治疗效果并减少不良反应。目前，精准用药已在癌症、糖尿病、神经系统疾病和心血管疾病等多种慢性病和复杂疾病的治疗管理中展现出显著的优势和应用前景，成为现代医学研究的重要方向之一［1, 2］。 人工智能(artificial intelligence, AI)的技术方法和原理主要基于多种算法和数据来源的支持。首先，数据来源包括传感器、社交媒体、图像和视频等，这些数据经过清洗、标注和预处理后用于训练模型［3］。在算法应用方面，AI 技术涵盖了监督学习、无监督学习、迁移学习和强化学习等多种方法［4］。其中，监督学习通过标注数据集进行分类或回归分析；无监督学习用于发现数据中的潜在结构；迁移学习和强化学习分别通过知识迁移和试错策略优化决策［5］。现代计算资源如 CPU、GPU 和 TPU 等硬件支持复杂算法的高效运行，这些硬件设备在深度学习、大规模机器学习等领域发挥了重要作用。例如，GPU 和 TPU 被广泛用于加速神经网络训练和推理，显著提升了模型的训练效率和性能［6］。此外，人机协同(CoA)模式结合了人类专家的经验与 AI 的智能，以实现更精准的决策［7］。 AI 在医学领域的应用经历了多个阶段，从最初的计算机辅助诊断，到近年来深度学习和机器学习技术的广泛应用，为医疗决策提供了新的视角和工具。AI 技术通过处理和分析大量医疗数据，帮助医师做出更为精准的诊断和治疗决策，不断提高医疗服务的效率和准确性［8, 9］。AI 技术与精准用药的结合源于对个体化治疗的需求不断增加。随着基因组学和生物信息学的快速发展，医师可以获取患者的基因组数据、临床数据及其他相关信息，识别出潜在的生物标志物和治疗靶点，为患者选择合适的治疗药物，实现真正意义上的精准用药［10, 11］。 尽管精准用药的理念已逐渐被医学界接受，但在实际应用中仍面临诸多挑战，如数据整合、隐私保护及临床转化等问题［12, 13］。本文旨在探讨 AI 技术在精准用药领域的最新应用进展，包括药物剂量调整、个体化药物治疗、药物不良反应预警和智能药物推荐等方面。通过对当前研究成果和实践案例的深入分析，本文将探讨 AI 技术如何助力精准用药的优化，并为未来的研究和实践提供有益的参考。 01 AI 在药物剂量调整中的应用进展 基于 AI 的药物剂量优化算法，能够通过分析包括基因组信息、药物反应历史和临床特征等大量患者数据，为每个患者提供个性化的药物剂量建议，从而最大化疗效并最小化不良反应［14］。机器学习和深度学习是 AI 在药物剂量优化中常用的两种技术。这些技术通过分析大量的患者数据，识别出影响药物反应的模式和相关性，从而帮助医师制定更精确的剂量方案［15］。 使用 AI 辅助的药物剂量调整能够显著提高患者的治疗效果和生活质量［16］。在临床实践中，AI 在药物剂量调整应用中已取得一些显著的成果。例如，SHEN 等［17］开发了基于 AI 的 AI-PRS 平台，用于确定抗逆转录病毒疗法治疗艾滋病毒的最佳剂量和药物组合。在一项研究中，AI-PRS 分析表明替诺福韦的起始剂量可以减少 33%而不会导致病毒复发［18］。COULET 等［19］开发了一种基于医疗数据的算法，用于预测患者是否需要减少药物剂量。该算法特别关注与细胞色素 P450 酶家族相互作用的药物，并使用随机森林方法分析斯坦福大学医院的数字患者数据，以提供更具体的剂量建议。MIT Media Lab 的研究人员利用强化学习技术优化脑胶质瘤患者的化疗和放疗剂量。通过模拟 50 名患者，该模型设计了治疗周期，将剂量减少到原来的四分之一或一半，同时保持与传统方案相当的肿瘤缩小效果［20］。TANG 等［21］使用人工神经网络、贝叶斯加性回归树、增强回归树和多元自适应回归样条等机器学习技术确定免疫抑制药物他克莫司最佳给药剂量。 在慢性病管理中，AI 驱动的精确剂量管理对于透析、癌症和移植医学等领域具有重要意义［22, 23］。例如， 在糖尿病和高血压病的治疗中，AI 驱动的剂量调整工具能够实时监测患者的生理指标，并根据这些数据动态调整药物剂量，从而实现个性化治疗［24］。在优化抗凝剂和癌症治疗药物的使用中, AI 也表现出显著优势。通过考虑患者的遗传特征、器官功能和其他健康指标，AI 算法能够推荐最适合患者的剂量，以预防血栓或肿瘤复发，同时避免不必要的出血或其他不良反应［11, 25］。IBM 的 Watson Oncology 系统通过分析医学文献和临床数据，可以为肿瘤患者提供个性化的治疗建议［26, 27］。AI 还可用于描述和预测给药后的药代动力学曲线。通过结合药物动力学和药效学模型，AI 可以模拟药物在体内的分布、代谢和清除过程，并在考虑混杂因素的情况下研究药量与响应之间的关系。这些模型可用于优化研究的剂量/给药方案选择，不仅提高了药物的有效性，还减少了对动物实验和临床试验的需求，特别是在数据数量有限的特殊人群（如罕见病患者、儿童和孕妇）中进行剂量优化［27］。此外，AI 还被应用于生物制剂的剂量选择，通过分析患者的基因组数据，帮助医师选择较适合的生物制剂及其剂量，以提高治疗效果［28］。 尽管 AI 在药物剂量优化中具有巨大潜力，但其应用也面临一些挑战，如数据隐私、算法偏见和决策可解释性等问题［29］。因此，在推广 AI 技术时，需要制定严格的伦理准则，并确保系统的透明度和准确性。未来，AI 有望进一步整合到电子健康记录和临床决策支持系统中，为医师提供实时的剂量调整建议，并通过持续学习迭代提高其准确性和可靠性。笔者认为通过更多的随机对照试验验证其长期效果和安全性后，基于 AI 的药物剂量优化工具可在更广泛的临床应用中增强信心［30, 31］。 02 AI 在个体化药物治疗中的应用进展 个体化医疗的核心理念在于根据患者的独特特征来制订治疗方案，而 AI 在这一过程中起到了至关重要的作用。通过对患者的基因组信息、生活方式和疾病历史等多维数据进行综合分析，AI 能够识别出患者的特定需求，并为其定制个性化的治疗方案。 例如，在糖尿病管理中，AI 系统利用持续葡萄糖监测数据推荐胰岛素剂量调整，确保血糖控制优化，降低高血糖和低血糖并发症风险［32, 33］。研究表明，AI 能够通过药物基因组学模型预测类风湿关节炎患者对特定药物（如甲氨蝶呤）的反应，从而优化治疗策略［34］。AI 能够分析复杂数据集，识别新的治疗靶点，为肿瘤患者提供更为精准的治疗方案，并改善诊断和预后。例如，尽管直肠癌具有肿瘤异质性及复杂的遗传和表观遗传特征，但多组学、空间组学与 AI 的结合可以克服这些挑战，推动直肠癌精准医学的发展［35］。AI 还可以根据患者的分子特征推荐最适合的靶向药物，优化癌症患者的治疗效果［36］。这种基于数据驱动的个体化治疗不仅提高了治疗的有效性，还有助于减少不良反应，提升患者的生活质量。AI 在临床试验中的应用也为个体化医疗提供了新的可能性。通过分析大量的临床试验数据，AI 能够预测不同患者对治疗的反应，帮助医师选择最佳的药物治疗策略［37］。例如，在老年医学和肿瘤学等领域，AI 驱动的个体化治疗方案已经显示出良好的应用前景，能够显著提高患者的生存率和生活质量［38］。在某项针对急性缺血性中风患者的研究中，通过分析患者的炎症标志物，研究人员能够预测患者的预后，并据此调整治疗方案，从而提高患者的生存率和功能恢复［39］。 目前，某团队已经基于真实世界用药大数据研发出 iPharma 个体化精准用药系统，实现了个体化用药指导［40］。某医院也开发了个体化精准用药系统，降低了报告差错率和患者对药物不良反应的比例［41］。AI 驱动的智能用药提醒系统则解决了慢病患者规律、准确用药的问题。这种系统通常集成在手机应用程序或智能设备中，能够根据预设的用药计划，按时发送提醒，记录每一次的服药情况，形成完整的用药历史。例如，用药管家作为一款基于 AI 的智能用药管理应用程序，通过智能提醒和服药记录来提高患者的用药依从性，并提供详细的药品使用指导。AI 与可穿戴设备结合可实现对慢性疾病患者的实时监控，及时发现并预警潜在的健康风险。例如，Apple Watch 内置的心电图功能可以帮助心律不齐、房颤等心脏病患者的早期识别和干预。此外，国内医疗机构研发了各类“互联网+AI 慢病管理平台”，基本功能包括患者信息建档、用药教育、线上问诊与随访、智能服药及复诊提醒等［42］。例如，某院开发的基于 MTM 模式的“AI 慢病用药管理系统”通过建立患者用药档案，搭建全市慢病用药管理平台，有助于科学指导基层慢病用药管理。 03 AI 在药物不良反应预警中的应用进展 近年来，通过深度学习、随机森林和支持向量机等机器学习算法，AI 从大量数据中提取信息，识别与药物不良反应相关的模式和特征，在识别和预测药物不良反应方面发挥了重要作用。这些算法有助于构建预测模型，实现药物不良反应自动预警。例如，研究显示 AI 模型通过综合患者病史、基因组数据和用药记录，能预测特定药物潜在不良反应［43］。柯林布瑞的预警平台应用大数据分析技术，构建了一个基于患者体征、疾病、检查结果和用药信息的预测模型，以准确识别导致不良反应的关键特征。 AI 在药物警戒中的应用还涉及利用自然语言处理技术分析电子健康记录、社交媒体等非结构化数据，以增强药物安全事件的早期预警能力。例如，IBM Watson for Drug Safety 通过 AI 评估真实世界数据，识别潜在的药物不良反应指标［44］。AI 技术在药物不良反应监测中的应用还包括自动化编码不良药物反应报告。例如，法国国家药物流行病学网络利用先进的机器学习模型自动预编码不良药物反应报告，提高了药物流行病学专家的工作效率。根据证据，这项技术通过自动编码患者报告中的不良药物反应，帮助药物流行病学专家在卫生危机期间优先处理或加速手动评估。这些模型使用了自然语言处理和机器学习技术，例如词频逆文档频率+轻梯度提升机和跨语言语言模型，在识别不良药物反应和评估严重性方面表现出色。自 2021 年 1 月起，该系统已被法国国家卫生当局部署，以促进 COVID-19 疫苗的药物流行病学监测。这表明该技术不仅在理论上有效，而且已经在实际应用中得到了验证和推广［45］。 AI 能综合多源数据进行分析，提升药物不良反应预测的准确性和速度。例如，美国食品药品监督管理局(Food and Drug Administration, FDA)的 Sentinel 计划整合了真实世界数据与临床试验数据，并运用 AI 和机器学习算法，为患者疗效和药物安全性提供见解。该计划通过分布式数据网络和分析工具，生成支持 FDA 决策的证据，并利用 AI 技术提高药物警戒程序的效能、精确度和清晰度［46］。该系统还能识别药物相互作用的潜在不良反应，通过分析 FDA 及其他组织的报告数据，开发了一个警报算法，以在药物组合可能导致危险不良效应时警告患者。该系统采用基于 AI 的信息可视化平台，部署去重算法，支持时态数据可视化和可评估算法，极大地促进了评估流程。 哈佛医学院和诺华生物医学研究所的研究人员开发了一种开源机器学习工具，用于预测药物不良反应。该工具通过分析两个数据库——一个涉及药物不良反应，另一个包含特定药物与蛋白质的相互作用信息——发现了 221 个蛋白质与特定不良反应的关联，包括已知和新的关联。这些关联揭示了哪些蛋白质与特定药物不良反应相关，哪些可能无关。例如，研究发现 PDE3 蛋白与约 40 种不良反应的关联，这是首次预测 PDE3 蛋白在多个器官系统中引起不良反应的可能性。此外，算法还支持了先前的观察结果，例如药物与 hERG 蛋白结合可能导致心律失常［47-49］。ZITNIK 等［50］设计了一个名为 Decagon 的 AI 系统，旨在预测药物组合的潜在不良反应。该系统通过研究药物对人体细胞机制的影响，并利用深度学习技术推断药物相互作用产生的不良反应模式，从而预测两种药物联合使用的未知后果。Decagon 系统构建了多模态图，包括蛋白质-蛋白质相互作用、药物-蛋白质靶标相互作用和药物-药物相互作用不良反应，以提高预测准确性。Decagon 系统能够模拟人体内超过 19 000 种蛋白质与药物的相互作用，并结合约 400 万种已知的药物不良反应关联，从而识别出不良反应产生的模式。该系统在预测性能上比基线高出 69%，并且能够做出新颖且后来被证实的预测，例如阿托伐他汀和阿莫匹定的联合使用可能导致肌肉炎症［51, 52］。 展望未来，随着 AI 技术的进步和数据获取方式的多样化，药物不良反应预警系统有望提高准确性和可靠性。未来研究应聚焦于如何整合 AI 模型与临床决策支持系统，提升临床医师的药物使用决策能力，降低不良反应发生率。同时，随着个性化医疗的发展，AI 在药物不良反应预测中的应用将更广泛，为患者提供更安全有效的治疗选择。 04 AI 在智能药物推荐中的应用进展 智能药物推荐系统通过应用机器学习等 AI 技术，分析患者的临床数据、药物特性及其相互作用，向医生和患者提供定制化的药物治疗方案。这些系统能够处理大量的健康数据，包括电子健康记录、基因组数据以及药物反应等信息，从而识别出潜在的最佳治疗方案。例如，AI 系统可以根据患者的个体差异，结合药物相互作用分析，确保药物的安全性，并提供多种药物选择以满足不同患者的需求。此外，AI 还能够根据患者的过往病史和用药数据，构建药物预测模型，从而提高药物推荐的准确率［53］。 AI 在临床辅助诊疗中的应用已经展现出较高的效果。在某省基层医疗机构中，智能药物治疗推荐系统的正确率达到了 85.16%，而在三甲医院应用后，抗菌药物医嘱的合理率从 90.47%提升至 95.35%。这些数据表明 AI 在提高临床处方合理率、减少不合理用药以及提高诊疗水平和效率方面具有重要作用［54］。AI 技术在药物再利用和新用途发现中也发挥了重要作用［55］。通过不断更新和学习，智能药物推荐系统能够适应患者的变化，提供实时的治疗建议，从而优化治疗效果并降低不良反应的风险［56］。例如，通过 AI 分析海量疾病数据，研究人员筛选出可能降低阿尔茨海默病风险的药物，并通过临床验证确认其有效性。AI 还能够通过虚拟筛选和评分方法，加速潜在药物候选物的识别和评估。例如，挪威奥斯陆大学的研究团队开发了一种 AI 辅助的虚拟筛选算法，用于识别有效的线粒体自噬诱导剂，从而维护大脑健康。这种 AI 驱动的虚拟筛选推荐在阿尔茨海默病药物开发中取得了 44%的成功率，远高于传统的成功率［57, 58］。此外，AI 技术还可以通过分析基因组、蛋白质组和代谢组数据，识别潜在的治疗靶点，并预测药物候选物的生物活性、毒性及药代动力学特性，从而优化药物设计［59］。结合电子病历数据，AI 技术能够生成个性化的药物推荐。研究人员利用深度学习模型分析电子病历中的患者数据，提出基于图学习和对比学习的药物推荐模型，有效控制药物相互作用，提高推荐的安全性。例如，AI 可以通过分析患者的基因信息、病史、生活方式和临床数据，预测不同治疗方案的疗效，帮助医师选择最合适的治疗策略［60］。 用户反馈在智能药物推荐系统的优化中起着关键作用。通过收集和分析用户的反馈信息，系统可以不断调整和完善推荐算法，以提高推荐的准确性和有效性。研究显示，用户对药物推荐的满意度与其反馈的积极性密切相关，高度参与的用户更可能遵循推荐的药物方案，从而提高治疗成功率。利用机器学习技术，系统能够从用户的反馈中学习，识别出哪些推荐更受欢迎，哪些则需要改进。这种动态调整机制使得智能药物推荐系统能够不断进化，以适应不同患者的需求和偏好［61］。通过这种方式，系统不仅能够提高用户的依从性，还能增强患者的信任感，从而在临床实践中发挥更大的作用［62］。 尽管 AI 在智能药物推荐中取得了显著进展，但仍面临一些挑战，如数据质量和计算资源的需求、模型的可解释性以及隐私保护问题。未来的发展需要进一步优化算法模型，扩大数据协作能力，并结合更多患者的特征（如年龄、地域等）来提高推荐的准确性和安全性。 05 展望 AI 在精准用药领域的应用日益广泛，为提升医疗质量和安全性提供了新的可能性。通过对大量患者数据的分析，AI 技术能够有效识别患者的个体差异，从而实现更为精准的治疗方案。这种精准化的医疗模式不仅有助于提高治疗效果，还能降低不良反应，最终促进患者的整体健康水平。 综述中，我们看到不同研究在 AI 应用于精准用药方面的观点与发现存在一定差异。有些研究强调机器学习和数据挖掘技术在药物选择和疗效预测上的优越性，而另一些研究则提出了 AI 在数据安全性、隐私保护和伦理问题上的挑战。这些不同的视角反映了 AI 技术在医学应用中的复杂性，也提醒我们在推动其发展的同时，必须对潜在的风险保持警惕。 未来的研究方向应着重于建立更加完善的 AI 系统，以整合多源数据（如基因组信息、临床数据与生活习惯）来提升精准用药的可靠性。此外，跨学科合作将是推动 AI 在医疗领域广泛应用的关键。医学、计算机科学、伦理学等领域的专家需要共同努力，确保 AI 技术的应用不仅满足临床需求，也兼顾患者的权益和社会责任。 总之，AI 在精准用药中的应用前景广阔，但我们需要在技术进步与医学伦理考量之间找到平衡，以推动未来医疗的可持续发展。只有通过科学的验证和合理的监管，才能确保 AI 在医疗领域的应用既能提升效益，又能维护患者的安全与隐私。 参考文献 ［1］WULLICH B, TAUBERT H, GOEBELL P J, et al. Individualisierte präzisionsmedizin［Individualized precision medicine］［J］. Urologie, 2023，62(9): 879-888. ［2］SAEED R F, AWAN U A, SAEED S, et al. Targeted therapy and personalized medicine［J］. Cancer Treat Res, 2023，185: 177-205. ［3］NCUBE K L, MUTANDAVARI M. The development of an AI-based network security algorithm for an IoT healthcare platform［J］. IJSR. 2022，11(6): 123-130.  ［4］NAGARAJAN V D, LEE S L, ROBERTUS J L, et al. Artificial intelligence in the diagnosis and management of arrhythmias［J］. Eur Heart J，2021，42(38): 3904-3916.  ［5］AMINIZADEH S, HEIDARI A, TOUMAJ S, et al. The applications of machine learning techniques in medical data processing based on distributed computing and the Internet of Things［J］. Comput Methods Programs Biomed，2023，241: 107745. ［6］HAMET P, TREMBLAY J. Artificial intelligence in medicine［J］. Metabolism，2017，69S: S36-S40.  ［7］ACHUTHAN K, RAMANATHAN S, SRINIVAS S, et al. Advancing cybersecurity and privacy with artificial intelligence: current trends and future research directions［J］. Front Big Data，2024，7: 1497535. ［8］BHATTAD P B, JAIN V. Artificial intelligence in modern medicine-the evolving necessity of the present and role in transforming the future of medical care［J］. Cureus，2020，12(5): e8041. ［9］SAHU M, GUPTA R, AMBASTA R K, et al. Artificial intelligence and machine learning in precision medicine: A paradigm shift in big data analysis［J］. Prog Mol Biol Transl Sci，2022，190(1): 57-100. ［10］BONIOLO F, DORIGATTI E, OHNMACHT A J, et al. Artificial intelligence in early drug discovery enabling precision medicine［J］. Expert Opin Drug Discov，2021，16(9): 991-1007. ［11］BHINDER B, GILVARY C, MADHUKAR N S, et al. Artificial intelligence in cancer research and precision medicine［J］. Cancer Discov，2021，11(4): 900-915. ［12］SUN W, LEE J, ZHANG S, et al. Engineering precision medicine［J］. Adv Sci (Weinh), 2018，6(1): 1801039.  ［13］SUN L, YIN C, XU Q, et al. Artificial intelligence for healthcare and medical education: a systematic review［J］. Am J Transl Res, 2023，15(7): 4820-4828. ［14］TYLER N S, MOSQUERA-LOPEZ C M, WILSON L M, et al. An artificial intelligence decision support system for the management of type 1 diabetes［J］. Nat Metab, 2020，2(7): 612-619.  ［15］VORA L K, GHOLAP A D, JETHA K, et al. Artificial intelligence in pharmaceutical technology and drug delivery design［J］. Pharmaceutics, 2023，15(7): 1916.  ［16］FILIPP F V. Opportunities for artificial intelligence in advancing precision medicine［J］. Curr Genet Med Rep, 2019， 7(4): 208-213.  ［17］SHEN Y, LIU T, CHEN J, et al. Harnessing artificial intelligence to optimize long-term maintenance dosing for antiretroviral-naive adults with HIV-1 infection［J］. Adv Ther, 2019, 3: 1900114. ［18］WU L, XIA D, XU K. Multi-clinical factors combined with an artificial intelligence algorithm diagnosis model for hiv-infected people with bloodstream infection［J］. Infect Drug Resist, 2023, 16: 6085-6097. ［19］COULET A, SMAÏL-TABBONE M, NAPOLI A, et al. Ontology-based knowledge discovery in pharmacogenomics［J］. Adv Exp Med Biol, 2011，696: 357-366. ［20］IACCARINO H F, SINGER A C, MARTORELL A J, et al. Gamma frequency entrainment attenuates amyloid load and modifies microglia［J］. Nature，2016，540(7632): 230-235.  ［21］TANG J, LIU R, ZHANG Y L, et al. Application of machine-learning models to predict tacrolimus stable dose in renal transplant recipients［J］. Sci Rep, 2017, 7: 42192. ［22］ROCA OPORTO F J, ANDRADES , MONTILLA COSANO G, et al. Prospective study on individualized dose adjustment of tolvaptan based on urinary osmolality in patients with ADPKD［J］. Kidney Int Rep, 2024，9(4): 1031-1039.  ［23］TILLY D, HOLMÅ, GRUSELL E, et al. Probabilistic optimization of dose coverage in radiotherapy［J］. Phys Imaging Radiat Oncol, 2019，10: 1-6. ［24］GENEVA T I, EJIKE I N, EBUBE V E, et al. The role of AI in optimizing drug dosage and reducing medication errors［J］. IJBPRU, 2024，4(1): 18-34.  ［25］ELIAS P, JAIN S S, POTERUCHA T, et al. Artificial intelligence for cardiovascular care-part 1: advances: JACC review topic of the week［J］. J Am Coll Cardiol, 2024，83(24): 2472-2486.  ［26］LIU Y, HUO X, LI Q, et al. Watson for oncology decision system for treatment consistency study in breast cancer［J］. Clin Exp Med, 2023，23(5): 1649-1657.  ［27］JIE Z, ZHIYING Z, LI L. A meta-analysis of Watson for Oncology in clinical application［J］. Sci Rep, 2021，11(1): 5792.  ［28］VORA L K, GHOLAP A D, JETHA K, et al. Artificial intelligence in pharmaceutical technology and drug delivery design［J］. Pharmaceutics, 2023，15(7): 1916.  ［29］MANIACI A, SAIBENE A M, CALVO-HENRIQUEZ C, et al. Is generative pre-trained transformer artificial intelligence (Chat-GPT) a reliable tool for guidelines synthesis? A preliminary evaluation for biologic CRSwNP therapy［J］. Eur Arch Otorhinolaryngol, 2024，281(4): 2167-2173.  ［30］LAI Q, SPOLETINI G, MENNINI G, et al. Prognostic role of artificial intelligence among patients with hepatocellular cancer: A systematic review［J］. World J Gastroenterol, 2020，26(42): 6679-6688.  ［31］THEODROS E, NAGARAJU G P. Artificial intelligence and precision medicine: Outcome of immunotherapy in hepatocellular carcinoma［J］. Crit Rev Immunol, 2022，42(6): 1-8.  ［32］SERRANO D R, LUCIANO F C, ANAYA B J, et al. Artificial intelligence (AI) applications in drug discovery and drug delivery: revolutionizirg personalized medicine［J］. Pharmaceutics, 2024, 16(10): 1328. ［33］NIMRI R. Decision support systems for insulin treatment adjustment in people with type 1 diabetes［J］. Pediatr Endocrinol Rev, 2020，17(Suppl 1): 170-182. ［34］SZOSTAK B, MACHAJ F, ROSIK J, et al. Using pharmacogenetics to predict methotrexate response in rheumatoid arthritis patients［J］. Expert Opin Drug Metab Toxicol, 2020, 16(7): 617-626. ［35］XU Z, LI W, DONG X, et al. Precision medicine in colorectal cancer: leveraging multi-omics, spatial omics, and artificial intelligence［J］. Clin Chim Acta, 2024, 559: 119686. ［36］ENGLEZOS D, VOUTOURI C, STYLIANOPOULOS T. Machine learning analysis reveals tumor stiffness and hypoperfusion as biomarkers predictive of cancer treatment efficacy［J］. Transl Oncol, 2024，44: 101944.  ［37］NWANKWO E I, EMEIHE E V, AJEGBILE M D, et al. AI in personalized medicine: enhancing drug efficacy and reducing adverse effects［J］. Int Med Sci Res J, 2024, 4(8): 806-833. ［38］SKUBAN-EISELER T, ORZECHOWSKI M, DENKINGER M, et al. Artificial intelligence-based clinical decision support systems in geriatrics: An ethical analysis［J］. J Am Med Dir Assoc, 2023， 24(9): 1271-1276, e4.  ［39］HU X, LIANG J, HAO W, et al. Prognostic value of inflammatory markers for in-hospital mortality in intensive care patients with acute ischemic stroke: a retrospective observational study based on MIMIC-IV［J］. Front Neurol, 2023，14: 1174711. ［40］张 颖, 于 泽, 许本善, 等. 人工智能指导个体化用药的研究与实践［J］. 中国临床药学杂志, 2022, 31(2): 151-156. ［41］赵浩宇, 刘 芳, 吴 昊, 等. 基于人工智能的个体化精准用药系统设计［J］. 医疗卫生装备, 2023, 44(8): 45-49. ［42］周晓倩, 钱懿轶, 杨富蓉, 等. 人工智能在医院药学服务中的应用与发展［J］. 临床医学进展, 2023, 13(8): 12536-12541.  ［43］SU T H, WU C H, KAO J H. Artificial intelligence in precision medicine in hepatology［J］. J Gastroenterol Hepatol, 2021，36(3): 569-580. ［44］CHEN Y, ELENEE ARGENTINIS J D, WEBER G. IBM watson: how cognitive computing can be applied to big data challenges in life sciences research［J］. Clin Ther, 2016，38(4): 688-701.  ［45］MARTIN G L, JOUGANOUS J, SAVIDAN R, et al. Validation of artificial intelligence to support the automatic coding of patient adverse drug reaction reports, using nationwide pharmacovigilance data［J］. Drug Saf, 2022，45(5): 535-548. ［46］LEWIS D J, MCCALLUM J F. Utilizing advanced technologies to augment pharmacovigilance systems: Challenges and opportunities［J］. Ther Innov Regul Sci, 2020，54(4): 888-899. ［47］TANG J, AITTOKALLIO T. Network pharmacology strategies toward multi-target anticancer therapies: from computational models to experimental design principles［J］. Curr Pharm Des, 2014，20(1): 23-36. ［48］HAUBEN M. Artificial intelligence and data mining for the pharmacovigilance of drug-drug interactions［J］. Clin Ther, 2023，45(2): 117-133.  ［49］DAS P, MAZUMDER D H. An extensive survey on the use of supervised machine learning techniques in the past two decades for prediction of drug side effects［J］. Artif Intell Rev, 2023，56: 9809-9836. ［50］ZITNIK M, AGRAWAL M, LESKOVEC J. Modeling polypharmacy side effects with graph convolutional networks［J］. Bioinformatics, 2018，34(13): i457-i466. ［51］MASUMSHAH R, AGHDAM R, ESLAHCHI C. A neural network-based method for polypharmacy side effects prediction［J］. BMC Bioinformatics, 2021，22(1): 385.  ［52］, MOHAMED S K. Predicting polypharmacy side-effects using knowledge graph embeddings［J］. AMIA Jt Summits Transl Sci Proc, 2020，2020: 449-458.  ［53］LIEFAARD M C, LIPS E H, WESSELING J, et al. The way of the future: Personalizing treatment plans through technology［J］. Am Soc Clin Oncol Educ Book, 2021，41: 1-12. ［54］沈爱宗, 刘琳琳, 黄金柱, 等. 基于人工智能的药物治疗推荐功能介绍及应用效果分析［J］. 中国医院药学杂志, 2021, 41(17): 1764-1768. ［55］BULLOCK J, LUCCIONI A, PHAM K H, et al. Mapping the landscape of artificial intelligence applications against COVID-19［J］. J Artif Intell Res, 2020, 69: 807-845. ［56］SINGH A V, CHANDRASEKAR V, PAUDEL N, et al. Integrative toxicogenomics: Advancing precision medicine and toxicology through artificial intelligence and OMICs technology［J］. Biomed Pharmacother, 2023，163: 114784. ［57］SILVA-SPíNOLA A, BALDEIRAS I, ARRAIS J P, et al. The road to personalized medicine in alzheimer′s disease: The use of artificial intelligence［J］. Biomedicines, 2022，10(2): 315.  ［58］RODRIGUEZ S, HUG C, TODOROV P, et al. Machine learning identifies candidates for drug repurposing in Alzheimer′s disease［J］. Nat Commun, 2021，12(1): 1033.  ［59］CHEN W, LIU X, ZHANG S, et al. Artificial intelligence for drug discovery: Resources, methods, and applications［J］. Mol Ther Nucleic Acids, 2023，31: 691-702.  ［60］李兴旺. 基于电子病历的智能辅助药物推荐研究［D］. 大连: 大连海事大学, 2023. ［61］DICKINSON H, FEIFEL J, MUYLLE K, et al. Learning with an evolving medicine label: how artificial intelligence-based medication recommendation systems must adapt to changing medication labels［J］. Expert Opin Drug Saf, 2024, 23(5): 547-552.  ［62］. Intelligent revolution in medicine-the application of artificial intelligence (AI) in medicine: overview, benefits, and challenges［J］. Przegl Epidemiol, 2024，78(3): 287-302. 来源 | 解放军药学学报