人工智能輔助藥學服務專家共識

中圖分類號R95；TP18 文獻標志碼A 文章編號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

隨著我國醫療需求的快速增長與人口老齡化不斷加劇，患者的用藥復雜性與風險顯著上升，對藥學服務的專業性、精準性和時效性提出了更高要求。然而，當前我國藥學服務領域面臨嚴峻挑戰：一方面，優秀藥師資源短缺，藥師數量與龐大患者群體的藥學服務需求不匹配，基層醫療機構尤為突出；另一方面，藥學服務責任重大，傳統人工服務模式受限于工作效率、知識更新速度及個人經驗差異，難以完全滿足患者個性化、全周期的用藥管理需求。人工智能（artificialintelligence，AI）技術在數據處理、知識挖掘、風險預測等方面具有顯著優勢，可以匹配不同的藥學服務應用場景，輔助藥師提升服務效率與質量，降低人為差錯風險[-3，推動藥學服務從“經驗驅動\"向“數據驅動\"轉型升級。AI結合新一代互聯網技術后，還能擴大優質藥學服務的可及性，助力實現醫療資源均衡化[4-。然而，AI在現階段使用中暴露出的局限性也同樣明顯，如缺乏完善的評估體系、結果可能存在偏倚、容易出現幻覺現象、可解釋性不足、責任界定不清以及使用者過度依賴等問題，亟待通過科學、規范的措施加以解決。為順應行業迫切需求，本共識以2021年10月9日發布的《國家衛生健康委辦公廳關于印發醫療機構藥學門診服務規范等5項規范的通知》以及配套印發的《醫療機構藥學門診服務規范等5項規范政策解讀》和2024年11月6日發布的《衛生健康行業人工智能應用場景參考指引》為指導，系統梳理了AI技術在藥學服務中的適用場景、發展目標、質量控制、風險挑戰與倫理邊界，并提出專家意見，以期為藥師、醫療機構及技術開發者提供參考，提升AI輔助藥學服務（AI-assistedpharmacyservices，AIPS）實踐的科學性與安全性，彰顯藥師專業價值，也為“健康中國”戰略下藥學服務的高質量發展注入新動能。

1共識制定方法

本共識由國家衛生健康委醫院管理研究所藥學信息專家委員會、中國醫藥教育協會老年藥學專業委員會和北京整合醫學學會數智化藥學管理與服務分會共同發起，啟動時間為2024年12月，撰寫時間為2024年12月至2025年3月，外審時間為2025年4月，定稿時間為2025年5月。本共識已在國際實踐指南注冊與透明化平臺完成注冊（注冊號：PREPARE-2025CN320）。

1.1 共識制定團隊

本共識制定團隊由執筆組、專家組、秘書組構成。執筆組由6名具有醫院藥學、指南方法學、AI和醫學倫理研究及實踐背景的藥學專家組成，負責共識的初步撰寫、修改與完善。專家組由具有多學科背景的42名專家組成，包括醫院藥學專家32名、AI與信息技術專家6名、醫學倫理專家4名，負責對共識推薦意見進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，負責文獻檢索、協調、統稿、核對等工作。團隊成員均來自國內三級以上醫療機構或高等院校，其中執筆組和專家組高級職稱占比分別為 83.3% 和 100% 。

1.2 共識制定過程

秘書組以“人工智能\"\"機器學習\"\"藥學服務”\"醫院藥學\"“用藥教育”\"合理用藥”\"藥學門診\"\"藥學監護”“藥物重整\"\"居家藥學\"\"藥物咨詢\"\"用藥監測”\"用藥監護”“藥品供應”“醫學倫理”“知情同意”及其對應的英文術語為關鍵詞，檢索PubMed、WebofScience、Embase、Scopus、中國知網、萬方數據知識服務平臺和國際、國內權威衛生健康部門官方網站，搜集國內外指南、專家共識、系統評價、薈萃分析、觀察性研究、隨機對照試驗、專題綜述等證據和相關政策性信息。檢索時間為數據庫或網站建立起至2025年3月31日。基于搜集的證據并結合國內AI輔助藥物服務實踐的經驗與總結，執筆組起草了共識框架和初稿。隨后，專家組通過2輪改良德爾菲法調查和多輪討論修改，最終形成推薦意見。

1.3證據質量和推薦強度

在本共識制定過程中，專家組對每項推薦意見進行了細致的評分工作。每位專家依據李克特量表對各推薦意見打分，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。經過專家組的審慎評估，共提煉出23條共識意見，推薦等級均為強推薦。

1.4共識使用者及目標人群

推薦共識使用者為醫療機構從事藥學服務工作的藥學專業人員、醫院藥學管理人員和AI相關系統/軟件的開發人員；目標人群為就醫患者及社區保健居民。

1.5 利益沖突聲明

為確保獨立性，本共識所有參與人均聲明不存在利益沖突。

2共識內容

2.1AIPS的定義與目標

推薦意見1（強推薦）：AIPS是指利用AI技術，通過數據分析、機器學習、自然語言處理等方法，模擬醫院藥師的思維方式和專業能力，自主獲取藥學領域的專業知識并進行高級推理，在藥師監督下全方位輔助、優化藥學服務的一種技術體系。

推薦意見2（強推薦）：推薦AIPS應用于藥學門診、藥物重整、用藥教育、藥學監護、居家藥學、藥品供應等多個場景，輔助藥師開展智能處方審核、用藥管理與指導、用藥決策建議、智能藥學隨訪、藥品精準配送等藥學服務。通過與智能軟硬件結合，AIPS系統可以全面提升藥學服務的效能、安全性、有效性和準確性。

解讀與證據：（1）提升藥學服務效能—AIPS系統可以通過收集和分析醫療大數據，輔助藥師快速獲取關鍵信息并提供基于證據的決策支持，優化藥學服務方案，減少決策時間；通過先進算法構建模型，預測藥學服務需求和發展趨勢，輔助藥師合理制訂計劃和分配資源；通過自主開展處方（醫囑）審核、醫患咨詢等規律性任務，釋放藥師時間，減少藥師重復性勞動的疲憊感，使其將精力專注于更復雜的臨床工作[3；通過預測模型提高供應鏈的準確性、透明度和安全性，減少藥品短缺和浪費的發生，降低管理成本[4。（2）提升藥學服務的安全性和有效性—AIPS系統可以通過分析藥物診療數據和實驗室結果，協助藥師準確識別高風險患者，快速預測、評估藥物療效和藥物不良事件（adversedrugevent，ADE），并提供個性化的干預建議；基于患者的個體化數據（如基因組信息、肝腎功能、體液藥物濃度等），AIPS系統可以結合知識圖譜和機器學習模型推薦最優的給藥方案，快速預測、識別并報告疑似藥物相互作用和ADE，提高用藥的有效性和安全性5；通過對藥品物資的數智化管理，降低人為配送失誤風險，減少人力成本。（3）提升藥學服務的準確性—AIPS工具還可以整合政策法規、藥物信息、臨床指南和研究文獻等多源數據，通過構建知識圖譜并進行高級推理與驗證，輔助藥師提供更準確的藥事管理與診療意見[；基于大語言模型（largelanguagemodel，LLM的智能聊天機器人和虛擬助手可以為醫務人員和患者提供用藥指導和常見問題的解答，提高臨床服務滿意度和患者用藥依從性8]。

2.2 AIPS在藥學門診中的應用

推薦意見3（強推薦）：AIPS能夠基于患者的病史信息和檢驗檢查結果，結合最新的藥學知識和臨床指南，準確、快速地判斷處方合理性并識別潛在的深層次用藥問題，為藥師提供實時的決策支持建議，輔助藥師提升處方合理性評估能力。基于強大的自我學習潛能，AIPS能夠根據藥師反饋不斷優化審核規則，進一步提高處方審核的準確性，從而提升處方質量，保障患者用藥安全。

解讀與證據：AIPS系統通過讀取電子病歷系統、醫學影像歸檔與傳輸系統、實驗室信息系統等多源數據，結合深度學習和大數據分析技術，能夠以更全面、深入的視角識別處方潛在的不合理問題，包括但不限于適應證、用法用量、藥物相互作用、配伍禁忌等[1]。通過對不適當處方的早期識別，藥師能夠在藥品調配前及時向接診醫師提出患者的個體化干預措施建議，在確保藥效的前提下，最大限度降低ADE和藥物相互作用風險[11-12]。特別在面對復雜用藥病例時，AIPS系統可以通過分析患者的完整醫療記錄和藥師的反饋，自主學習并更新知識庫，輔助藥師識別出難以發現的規律和信號[13]。有研究表明，使用梯度提升分類和參數篩查技術建立的高警示藥品篩查工具，對高警示藥品錯誤處方的識別率接近 100%^[14] 。此外，基于LLM結合檢索增強生成技術和專業知識庫建立的臨床決策支持系統，能夠顯著提高識別處方問題的準確性，尤其在面對復雜處方（如抗感染藥物、多專科藥物）時表現出色[。AIPS系統還能夠通過分析問題的大小和緩急，篩選出需要藥師優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（強推薦）：AIPS能夠基于患者的個體化醫療數據和先進的數據分析技術，融合藥物知識圖譜和臨床治療指南，生成更為準確、詳盡的處方優化建議和個性化的患者用藥指導意見，提高藥師接診能力。

解讀與證據：AIPS系統通過對自然語言的理解和對語音、圖片內容的識別，采集患者的病更及用藥史信息，匯總并生成結構化的電子文檔；基于藥物和疾病的知識圖譜，通過模型的匹配運算，為出診藥師提供優化患者治療方案的建議和用藥指導，不僅涵蓋藥物的用法用量，還包括用藥注意事項、潛在ADE的監測與預防，以及生活方式調整建議等，從而提升藥學建議采納率、患者用藥依從性和治療效果[16-17]。

2.3 AIPS在藥物重整中的應用

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

解讀與證據：AIPS系統可以依托自然語言處理技術，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，結合對患者電子病歷的查閱，實現對關鍵信息的識別、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確性，還可以減少大量重復性勞動對藥師臨床工作時間的占用，輔助提升藥師的藥物重整工作效率。

推薦意見6（強推薦）：針對老年人、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性，AIPS能夠結合群體藥動學和生理藥動學，與機器學習方法聯合建模，解析非線性劑量與藥物暴露的關系，智能并動態生成滿足特殊個體清除率特征、覆蓋藥物治療窗的最優給藥方案，輔助藥師開展高質量藥物重整。

解讀與證據：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，導致其發生ADE的風險增加，故其是開展藥物重整的重點對象。AIPS系統通過算法分析大量患者數據，建立群體藥動學及生理藥動學模型，預測藥物在不同群體及不同個體中的藥動學過程，為特殊人群開展藥物重整提供參考。例如，對肝腎功能不全的重癥患者，AI模型可綜合患者藥動學指標調整藥物劑量和給藥頻率，維持有效藥物濃度，減少ADE的發生[2。AI模型在處理復雜高維數據和非線性關系時同樣出色，可有效優化劑量-藥效關系，明確治療窗口，結合現有的血藥濃度監測數據構建濃度和暴露量預測模型，助力精細化治療[2]。對兒童患者，AI模型可根據其生長發育特點和藥物代謝酶活性，調整藥物劑量和給藥方式，確保用藥安全、有效。例如，在應對新生兒感染中，基于群體藥動學數據，用機器學習方法建立的AI模型可以實現通過抗菌藥物目標谷濃度的初始劑量設計和后續給藥劑量優化，指導藥物重整[22]。使用LLM模擬的重癥監護病房臨床藥師，可以預測重癥患者預后（如死亡率、急性生理與慢性健康評分），且能生成與實際治療方案高度相似的用藥建議[20]。

推薦意見7（強推薦）：AIPS可以整合患者多維度數據，并基于算法構建患者全病程用藥畫像，實現高效能藥物重整；結合區塊鏈技術后，AIPS可安全共享患者在不同醫療場景下的用藥信息，確保藥物重整后的治療連續性和適宜性。

解讀與證據：AIPS系統通過整合住院患者病歷信息、檢驗檢查結果、過敏史、關鍵基因序列、生活方式以及既往用藥記錄等多源數據，通過先進算法，對患者用藥情況進行全面評估。例如，機器學習算法可以預測藥物間的潛在相互作用和患者對使用藥物的不良反應發生風險，輔助藥師提出科學的藥物重整意見[23-24]。AI與區塊鏈技術結合后優勢更加明顯，憑借區塊鏈技術不可篡改、可追溯以及分布式賬本等特性，AIPS系統可為患者用藥信息的安全存儲、溯源及共享提供堅實保障，確保患者在入院、轉科、出院、轉診等不同醫療場景中用藥信息的準確性和一致性，避免因信息不連續或不準確導致藥物重整失敗[25]。

2.4AIPS在用藥教育中的應用

推薦意見8（強推薦）：AIPS能夠準確識別患者用藥問題的核心含義，通過對醫療術語和專業概念的通俗化解釋和輸出，確保患者充分理解病情和藥物治療方案，并提供匹配患者理解能力的用藥教育方式和內容。

解讀與證據：AIPS掌握多種語言、熟悉不同文化，可以輔助藥師調整與患者的溝通方式，為不同特征和需求的患者開展高質量的用藥教育[2]。AIPS系統還可以將用藥教育內容根據患者的教育背景和閱讀水平進行編輯，通俗解釋復雜的疾病背景、藥物治療方案和注意事項說明，加強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，可以在保障內容準確性的前提下大幅減少藥品說明書的文字數，顯著提升其可讀性和簡潔性[28]

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

解讀與證據：依托智能交互技術，AIPS工具可以為患者提供實時的、不間斷的藥物信息咨詢和用藥指導，開展用藥教育和隨訪調查，幫助患者更好地理解和遵循醫囑，降低外呼和交互成本。例如，優化的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輔以情感支持，增加患者的良好體驗感和信任度，幫助患者更好地理解用藥方案[29-30]。通過虛擬現實和增強現實技術，AIPS能夠創建互動式的患者教育平臺，增強患者的參與感和理解力[3；根據患者的年齡、性別和生活習慣，提供用藥提醒、飲食建議和運動指導，進一步提升患者的自我健康管理能力[32]。

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

解讀與證據：生成式AI工具可以通過自然語言處理技術，從海量的醫學文獻、臨床指南和專家共識中提取關鍵信息，生成高質量的醫學文本，從而幫助藥師提高撰寫科普文章的效能。在實際應用中，AI還能在推薦意見的形成過程中提供智能輔助，提升科普內容的質量和一致性。例如，ChatGPT、DeepSeek、Kimi等AI工具已經在多個醫學領域中被用于生成高質量的科普內容，并在臨床實踐指南的制定、評價和應用中展現出巨大潛力[]。此外，AI技術在文生圖和文（圖）生視頻方面也取得了顯著進展34，其在提示詞的幫助下，可以根據藥師需求將醫學和藥學知識轉化為生動的圖像和音視頻內容，幫助患者更好地理解復雜的醫學和藥學概念，并進一步提高科普材料的吸引力和傳播效果。數字人技術更是允許藥師根據自身專業特點、性格特質以及受眾喜好，設計符合個人風格的數字藥師形象與語言風格進行科普教育，增強科普內容的辨識度，進而提升科普效果與藥師個人品牌影響力[35]

2.5AIPS在ADE預測和監測中的應用

推薦意見11（強推薦）：AIPS可以基于臨床大數據與用藥時序數據，運用機器學習模型識別風險信號并預測ADE，通過觸發器等技術發出預警，針對已發生的疑似ADE進行智能評價并生成報表，從而實現ADE的主動識別、預警、監測和上報。

解讀與證據：AI技術已在多項研究中用于ADE的預測或監測。通過傳統機器學習、深度學習或強化學習方法，AIPS系統可通過綜合分析電子病歷文本信息、ADE報告數據庫、患者檢驗檢查結果、藥物治療情況等醫療大數據，識別不同藥物ADE發生的特點和規律，構建單品種或相同作用機制ADE的預測模型[36]；通過自動識別醫療電子文檔中的信號激活觸發器，實現ADE的主動監測、預警和報告[]。確認ADE發生后，AIPS系統還可以輔助藥師對ADE進行分類、編碼和偏倚分析，制訂干預措施并提供依據。我國學者通過自動因果關系評估模型對藥品不良反應報告開展關聯性評估，準確率高達 85.99%^[38] ，不但大幅提升了報告的評估和挖掘能力，還可以有效減少遺漏關鍵報告的可能性。

2.6AIPS在居家藥學服務中的應用

推薦意見12（強推薦）：AIPS可以集成于新一代藥品存儲設備，實現在居家場景下對藥品有效期和存儲條件的智能管理和精準監控，顯著提升家庭用藥的安全性和可靠性。

解讀與證據：智能藥盒、藥箱等新一代藥品存儲設備接入AIPS模型后，能夠根據儲存要求實現藥品分類、分區管理，監測溫度、干濕度、光線等存儲環境并實施智能調節，以維持藥品的穩定性。設備可以同時監測藥品存量，當存量低于預設閾值時提醒用戶補充；監測藥品效期，確保藥品被按時使用或更換。通過條形碼、矩陣碼、電子標簽等識別技術，設備可以自動識別和錄入藥品信息，方便用戶查詢藥品的名稱、用途、用法用量和使用時間等詳細信息[39]。結合物聯網技術后，設備還能對患者服藥時間、服藥品種和劑量等用藥行為進行記錄和傳輸，實現醫務人員或家屬在移動終端的遠程管理，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（強推薦）：AIPS可以為患者提供遠程居家藥學服務，通過互聯網和智能軟硬件實施數據采集和服務輸出，實現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，從而提升居家藥學服務質量。

解讀與證據：依托AI遠程醫療平臺，患者在居家環境中就可以享受到AI藥師全天候提供的高水平藥學服務。AIPS系統通過穿戴設備采集并分析患者的病理生理數據，評估藥物治療的效果，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、教育隨訪等藥學服務需求經AIPS系統智能分析后可以實現遠程快速響應。若遇突發ADE或緊急用藥問題，系統自動觸發分級預警，藥師基于AI預判的用藥風險圖譜及患者實時健康數據，可以在短時間內介入并提供精準處置方案，實現“AI預篩 + 人工決策”雙重保障，讓居家藥學服務兼顧可靠與高效[41-42]。

2.7 AIPS在藥品供應中的應用

推薦意見14（強推薦）：AIPS能夠綜合分析醫療機構藥品歷史消耗數據和影響因素，構建高精度藥品消耗量預測模型，實時推動請領計劃和補貨策略的動態優化，從而有效增強藥品供應鏈的響應靈敏度與運營穩健性。

解讀與證據：AIPS系統可以通過整合藥房歷史銷售數據、疾病流行趨勢、患者用藥習慣、季節和天氣等多源信息，基于機器學習算法構建藥品需求預測模型，生成從補貨預警、采購計劃制訂到庫存實時調控的全流程藥品動態、智能和精準管理建議，實現藥品供應鏈的智能化閉環管理。實踐表明，AIPS系統能有效降低藥品賬實差異發生率，減少跨藥房調撥作業頻次，同步提升庫存周轉效能，顯著提高醫療機構運營效率并降低資金占用成本[43-44]。依托分布式網絡架構，可以打造醫療機構、醫保信息中心和醫藥企業之間的藥品信息協同云平臺，實現區域內藥品供應鏈全鏈路溯源追蹤[45]。通過識別關鍵變量并加以優化，AIPS系統還可以降低供應商運輸成本和縮短送藥時間，提升供應鏈響應效能與資源配置精準度[46]。

推薦意見15（強推薦）：AIPS結合新型藥品調劑和擺藥設備、核對系統以及綜合管理軟件，能夠對藥房的各項藥品供應工作進行整體調度和實時監控，優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風險，提高藥品供應工作的整體效率和服務質量。

解讀與證據：近年來，藥房藥品調劑和配制工作模式快速從自動化向智能化轉型。AI系統與自動化設備（如智能調配機、分包機、發藥機、核對機、貼簽機等）結合后，通過圖像識別和智能算法，顯著提高了藥品調配的速度和準確性。這種技術整合不僅減少了對人工干預的需求，還大幅降低了人為錯誤的風險[。在智慧化門診藥房中，藥師每人每月的工作時間大幅壓縮，高峰期每張處方的平均配發時間明顯縮短，差錯率進一步降低，患者等候時間也明顯減少[48]。此外，在靜脈藥物配置中心配備智能配液機器人，不僅提高了配液的精準度，還減少了危害藥品配制人員的職業暴露，降低了人工勞動強度，彌補了人員缺口[49。智能風險自檢預警系統還可以進一步減少藥品上機、配制、傳送、貼簽等關鍵環節的差錯風險，提升了配液的安全性與穩定性[50]。

2.8 AIPS的倫理與責任主體

推薦意見16（強推薦）：AIPS系統的開發、訓練、部署和臨床使用，應嚴格遵循國家相關法律法規和倫理審查要求，建立數據治理機制，保護患者隱私，確保數據安全。醫療機構與技術開發者需簽署數據使用協議，明確數據訪問權限、使用范圍及銷毀規則，并通過動態加密、訪問日志追蹤等技術手段防控數據泄露。藥師在使用AIPS工具時，應向患者或監護人充分告知數據用途并獲得知情同意，不得將敏感數據用于除醫療或科研外的其他情形。

解讀與證據：隱私保護是合理使用醫療健康數據需要關注的核心倫理問題。臨床藥學數據（如用藥品種、用法用量、ADE記錄等）涉及患者隱私，使用時必須遵守《中華人民共和國網絡安全法》《中華人民共和國數據安全法》《中華人民共和國個人信息保護法》《互聯網信息服務算法推薦管理規定》《生成式人工智能服務管理暫行辦法》等法律法規和規范性文件要求，建議通過聯邦學習[5、差分隱私[2等技術手段加強隱私保護，實現\"數據可用不可見”及降低數據再次識別的風險，在保護患者隱私的前提下支持模型優化。此外，需警惕不法分子通過數據接口變相獲取患者隱私信息，建議在協議中明確數據的使用權限，禁止違規的數據商業化利用行為，并采取技術手段加以防范。藥學服務常涉及對患者的長期用藥管理，AIPS系統具備持續收集患者動態數據的能力，建議突破傳統的“一次性知情同意”模式，建立動態知情同意、知情選擇退出等機制，保障患者對自身數據的控制權。

推薦意見17（強推薦）：AIPS模型的開發應遵循科技倫理審查相關要求，應重點評估其訓練數據的代表性和公平性，避免因人群覆蓋不全、數據質量不高等原因導致輸出結果產生偏倚。技術開發者應對模型透明度進行披露，確保AIPS的算法具有可解釋性、可溯源性和透明性。藥師應理解AIPS模型的計算原理和依據，結合應用場景對模型提供的計算結果或建議進行復核，定期結合最新數據驗證其有效性，避免盲目依賴算法輸出。

解讀與證據：數據偏倚可能引發系統性誤判，美國醫療AI曾因使用歷史醫療費用數據訓練模型，錯誤低估了黑人患者的真實需求，作出黑人患者醫療花費少卻被判定為\"更健康\"的錯誤判斷[53]。藥師和技術人員需要主動收集多樣化數據（如不同年齡、不同種族、不同地區、不同等級醫療機構、罕見病患者等），并通過重采樣技術平衡數據集，確保模型平等地覆蓋不同群體。算法可解釋性是實現AI藥學服務倫理合規的核心，盡管深度學習模型常被視為“黑箱”，但AIPS模型輸出的建議和計算結果仍需符合循證醫學邏輯[54]。建議技術開發者采用可解釋AI技術將AI的藥學建議轉化為特征權重（如藥物相互作用權重、患者肝腎功能評分等）并提供推理依據，幫助藥師理解輸出依據并糾正錯誤。例如，若AIPS系統推薦某藥物劑量時未考慮患者肌酐清除率，可通過特征溯源發現模型輸入數據的缺失，進而優化數據采集流程。“數據集偏移”可能導致模型性能衰減[55，在藥學服務場景中，新藥上市、循證證據更新、疾病譜變化、政策調整均可能影響AIPS系統輸出信息的有效性，因此需定期基于最新數據驗證模型，對偏移指標持續監控，并通過迭代更新流程修正模型偏差。

推薦意見18（強推薦）：AIPS系統的責任主體應包括技術開發者、醫療機構及藥師三方。其中，技術開發者需確保模型通過基本驗證，并提供合格的第三方測試評估報告和完整的局限性聲明，根據醫療機構反饋和定期數據更新情況進行模型迭代優化，承擔系統可靠性責任；醫療機構應履行系統日常維護、權限管理和合規性監管責任；藥師在明確AI輔助地位的前提下，承擔最終決策責任。三方相互協同配合，共同完成人員培訓、數據管理、模型驗證與調整等工作。

解讀與證據：目前關于AIPS輔助醫療決策過程的法律法規尚不完善，特別是在責任歸屬方面存在諸多空白和模糊地帶[56]。建議借鑒當前醫用軟件開發經驗，構建技術開發者、醫療機構及藥師三方共同參與的醫療風險防控體系，劃分責任邊界，確保在出現問題時能夠明確責任歸屬。AIPS系統在部署前應通過專業資質和能力驗證，同時根據醫學倫理\"有意義的人類控制\"這一新興原則明確藥師的主導地位，即AIPS僅作為藥師決策的輔助工具。技術開發者有義務通過算法優化與臨床驗證確保AIPS系統推薦內容的準確性，最大限度地避免錯誤推薦；若因算法偏差而推薦錯誤方案，技術開發者應承擔技術缺陷責任，但藥師仍需依據專業標準獨立審核方案的合理性，雙方分別在系統可靠性和臨床決策正確性上承擔不可替代的主體責任。建議建立模型事件報告和持續改進機制，形成藥師反饋使用情況、醫療機構優化數據、技術開發者更新算法、藥師再次驗證模型的閉環，實現風險可追溯、錯誤可糾正、責任可明確的目標，既符合“透明決策”的倫理要求，又保障了患者用藥安全。

2.9AIPS面臨的挑戰與質量控制建議

推薦意見19（強推薦）：高質量藥學數據的不足會導致AIPS系統輸出結果產生偏倚，影響用藥安全與決策可信度。建議對輔助AIPS模型訓練的數據保持高質量動態更新，并使其具備一定的規模和多模態特性，以適配于本地醫療機構藥學任務模型的架構需求，且能通過測試和代表性驗證。

解讀與證據：高質量數據集能夠顯著提高AIPS模型的可靠性與可解釋性，并減少訓練時長。數據不足或類型單一會引發決策偏倚，如抗菌藥物推薦模型如果未納入當地細菌耐藥菌數據，會導致建議方案出現偏差；電子處方中“0.1g\"與“ 100mg^′ ”未標準化可能會增加劑量計算模型的誤判風險；藥師手寫備注“患者自行停藥”等多模態數據如果未能被系統采集，模型可能無法識別患者用藥依從性不佳的真實場景[59。此類數據缺陷的疊加效應，將導致藥學服務從處方審核到用藥指導的全鏈條風險升級。建議醫療機構通過標準化數據治理、動態更新機制與多模態信息整合，構建高質量數據集和防錯閉環：建議技術開發者配合醫療機構持續優化數據采集的標準、邏輯和范圍。

推薦意見20（強推薦）：未經系統化培訓的藥學人員使用AIPS工具，可能存在難以識別AI模型誤判、決策邏輯失察及提示工程失效的風險，進而導致錯誤使用輸出結果的概率升高。使用AIPS系統的藥學專業人員應具備相應資質，掌握AI工具運行的基本原理和操作技能；使用生成式AI提問時，提示詞應清晰、具體，明確AI在藥學服務中的輔助角色。

解讀與證據：當前，使用AIPS工具提供藥學服務的藥師普遍缺乏專業培訓。建議從事藥學門診、藥物重整、用藥教育、藥學監護等藥學服務的藥師應具備相關服務規范對人員資格和工作經驗的要求，通過培訓能掌握AI工具的使用方法、自然語言處理技術原理、數據安全規范等[6]，并具備驗證和處理AI輸出結果的能力[61]；使用生成式AI輔助開展藥學服務前，應做好必要的準備工作。清晰、具體、有針對性的提示詞能夠幫助AI更好地理解需求，生成更為準確、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）精準定義任務范疇（如處方審核或用藥建議生成）系統輸入多維數據（包括人口學特征、臨床診斷信息及藥物治療史等核心參數），以及設定標準化輸出格式要求等。此外，建議對所使用的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（強推薦）：現階段，生成式AI模型（含推理模型）輸出結果中的幻覺仍不可完全避免，在上述多種藥學服務場景中，如果AIPS模型提供的答案存在錯誤或誤導性信息，可能引起藥師建議或決策失誤，對患者造成傷害并引發患者對藥學服務的不信任。藥師必須對生成式AIPS模型輸出的結果進行人工復核，將幻覺風險降到最低。

解讀與證據：生成式AI的幻覺問題在藥學服務中可能引發嚴重后果。有研究表明，生成式模型因訓練數據偏差或邏輯推理缺陷，可能輸出看似合理但實際與現有醫藥學知識不符的內容。例如，ChatGPT對“達格列凈是否與中性粒細胞減少癥相關？”的回答是“文獻中未見報道”，但該藥的說明書中已明確標注了相關風險[；在回答妊娠期間服用螺內酯是否有致畸性數據時，提供了不存在的參考文獻3；計算萬古霉素給藥劑量時，未根據肌酐清除率進行調整[]。匯總分析顯示，ChatGPT4.0回答各類藥學問題的總體正確率雖與人類藥師相當，但也僅達到 64.3%^[64] 。藥師是處方（醫囑）審核工作的第一責任主體，必須對AIPS模型輸出的結果進行真實性和可解釋性的人工復核，控制因生成式AI幻覺帶來的風險，維護藥學服務的專業公信力。

推薦意見22（強推薦）：引入AIPS模型前缺乏準入機制、預先規劃和自評估，可能造成資源浪費與效率失衡。應確保醫療機構在引人AIPS技術前建立準入機制，進行系統和長遠的規劃，充分評估藥事需求，明確具體目標與任務，實現資源精準投人與醫療質量、效率提升，杜絕技術空轉與資源浪費。

解讀與證據：隨著國內先進的開源AI模型不斷崛起，醫療機構部署AI算力的成本顯著降低，但仍然是一筆不小的開銷，如未能將本地高質量數據與實際使用場景相契合，則難以發揮出該模型的預想作用，盲自采用反而增加患者用藥風險。醫療機構部署AIPS系統前應建立完善的準人工作制度與程序，藥學部門應聯合臨床、醫管、信息等部門明確核心場景（如處方審核、ADE評價等），優先通過小規模試點來評估、驗證技術的適配性，采用模塊化架構分階段擴展（如先部署審方模塊，再擴展至個體化用藥），同時推動區域醫療聯盟共建、共享算力池與知識庫，避免重復投人。通過精準需求匹配與資源協同，可實現AIPS相關工具的精準部署和成果的高效轉化。

推薦意見23（強推薦）：過度依賴AI會導致系統脆弱性與應急能力不足的風險增加。如果醫療機構和藥師過度依賴AIPS等AI技術，可能導致在面對系統故障或突發事件時難以應對。建議加強對算法、數據的備份管理，并保持藥師獨立開展藥學服務的能力，確保基礎藥學服務的可持續性。

解讀與證據：為應對過度依賴AI導致的系統脆弱性與應急能力不足的風險，建議通過AIPS系統的本地化部署、區塊鏈備份多版本算法以及關鍵數據，確保在系統故障時能持續提供基礎藥學服務，降低技術中斷風險。為防范藥師因過度依賴AI而導致專業技能退化，建議加強對藥師使用AIPS工具的原則教育，明確AI的輔助定位和藥師承擔主體責任的法規要求；同時，構建兼顧能力考核、責任約束和持續學習的風險管控機制，如要求藥師通過年度人工審方能力測試，將AI使用技術課程納入藥師繼續教育體系，制訂無AI參與的藥學服務應急預案（如模擬系統巖機）并定期開展演練。最終目標是通過制度約束與能力建設，實現藥師在AI輔助下的知識迭代而非能力替代，筑牢人機協同的用藥安全防線[62]。

3結語

本共識是國內首個系統性針對AIPS工作的專家共識，不僅涵蓋了AIPS的定義、目標、在不同應用場景中的作用等內容，還對數據安全、技術依賴、質量控制、最終決策、倫理與責任等關鍵問題進行了深入探討，既指出了AI對提升藥學服務效能的重要作用，又提出了現階段必須面臨的挑戰與建議，為當下不同藥學服務場景中AI技術的科學、規范應用與管理提供了明確的技術性指導。鑒于AI技術的高速發展、迭代和藥學服務需求的不斷拓展、深人，本共識將定期更新，以確保其內容的時效性和實用性。期待與廣大藥學專業人員、醫療機構管理人員和技術開發者共同努力，推動AIPS的高質量發展，為患者的健康保駕護航。

（聲明：本共識由國家衛生健康委醫院管理研究所藥學信息專家委員會、中國醫藥教育協會老年藥學專業委員會和北京整合醫學學會數智化藥學管理與服務分會共同發起，基于最新的研究成果，結合了來自全國多家醫院、高校專家的意見，并邀請了多學科專家進行論證和審定。然而，共識中所包含的推薦意見并不代表上述3家發起單位所有專家和成員的觀點。誠摯歡迎使用者針對本版共識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）

共識編寫團隊（按姓氏筆畫排序）

執筆組

白楠（中國人民解放軍總醫院醫療保障中心藥劑科）

張翔宇（天津醫科大學總醫院空港醫院藥學部）

屈靜晗（北京協和醫院藥劑科）

崔曉輝（首都醫科大學宣武醫院藥學部）

蔡樂（中國人民解放軍總醫院醫療保障中心藥劑科）

廖音（首都醫科大學附屬友誼醫院藥劑科）

專家組

王天琳（中國人民解放軍總醫院醫療保障中心藥劑科）

王冬（天津市腫瘤醫院空港醫院藥學部）

王芳（中國人民解放軍總醫院醫療保障中心藥劑科）

王卓（海軍軍醫大學附屬第一醫院藥劑科）

王靜（中國人民解放軍總醫院第一醫學中心普通外科醫學部）

馮銳（河北醫科大學第四醫院藥學部）

史琛（華中科技大學同濟醫學院附屬協和醫院藥學部）

平耀東（北京大學腫瘤醫院藥學部）

劉煒（首都醫科大學附屬北京佑安醫院藥學部）

齊宏亮（中國醫科大學附屬第一醫院鞍山醫院藥學部）

冷學明（中國科學院大學電子電氣與通信工程學院）

沈承武（山東第一醫科大學附屬省立醫院藥學部）

李源（中國人民解放軍總醫院醫療保障中心信息科）

李新剛（首都醫科大學附屬北京友誼醫院藥劑科）

楊勇（四川省人民醫院藥學部）

張蘭（首都醫科大學宣武醫院藥學部）

張建民（首都醫科大學附屬首都兒童醫學中心藥學部）

張海洪（北京大學受試者保護體系辦公室）

張湛（清華大學計算機學院）

張勤儉（北京信息科技大學機電工程學院）

陳孟莉（中國人民解放軍總醫院醫療保障中心藥劑科）

枉前（陸軍軍醫大學第一附屬醫院藥劑科）

金鵬飛（北京醫院藥學部）

鄭曉俊（山西醫科大學第一醫院藥學部）

趙立波（北京大學第三醫院藥劑科）

趙慶春（北部戰區總醫院藥學部）

趙明沂（沈陽藥科大學生命科學與生物制藥學院）

趙穎波（國家衛生健康委醫院管理研究所）

趙彬（北京協和醫院藥劑科）

袁恒杰（天津醫科大學總醫院藥劑科）

郭代紅（中國人民解放軍總醫院醫療保障中心藥劑科）

耿洲（蘇州大學附屬第二醫院藥學部）

康建（鄭州大學第一附屬醫院藥學部）

黃迪（北京航空航天大學計算機學院）

黃富宏（揚州大學附屬醫院藥劑科）

雷建波（北京大學醫學信息學中心）

熊寧寧（南京中醫藥大學附屬醫院GCP中心）

蔡本志（哈爾濱醫科大學附屬第二醫院藥學部）

蔡爽（中國醫科大學附屬第一醫院藥學部）

翟所迪（北京大學第三醫院藥劑科）

冀召帥（清華大學附屬北京清華長庚醫院藥劑科）

戴海斌（浙江大學醫學院附屬第二醫院藥學部）

秘書組

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

參考文獻

［1］吳菲，沈愛宗，蔡瓊，等.數據與知識聯合驅動的智慧藥 學服務體系構建及系統實踐[J].中國現代應用藥學， 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.借助自回歸移動平均模型構 建兒童口服退燒藥消耗量的預測模型[J].中南藥學， 2024，22（4）：1097-1100.

[5］詹世鵬，馬攀，劉芳.機器學習在治療藥物監測與個體化 用藥中的應用[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監測 與智能評估警示系統Ⅱ的研發[J].中國藥物應用與監 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，FEIFELJ，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，FEELEY 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.機器學習在藥物警戒領域 應用的文獻計量分析[J].藥物流行病學雜志，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.生成式人工智能對臨床實踐 指南制訂、評價和應用的影響[J].協和醫學雜志，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：虛擬數字人在科普中的應 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管理中的 應用研究進展[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.創新聯網購藥智能藥箱設計[J].科技與 創新，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.互聯網醫院中的智能居家服務終端應用[J].集 成電路應用，2024，41（3）：242-243.

[42]許偉嵐，齊金玲，李喜春，等.人工智能輔助系統對老年 慢性病患者居家風險管理的作用[J].齊齊哈爾醫學院學 報，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.基于互聯網信息技術構建智能 醫藥供應鏈管理新平臺[J].中國現代應用藥學，2023，40 （24）：3445-3451.

[46]GHAZVINIAN A，FENG B，FENG 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.基于物聯網和人工智能技術的 智慧化門診藥房構建[J].中國醫療設備，2024，39（2）： 95-100.

[49]曾娜，孫華君，于廣軍.配液機器人在我國靜脈用藥調配 中心的應用現狀與展望[J].上海醫藥，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器人 風險屏障機制探討[J].機器人外科學雜志（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.機器學習中差分隱私的數據 共享及發布：技術、應用和挑戰[J].信息安全學報，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.人工智能在臨床實踐中的創新應用和 倫理挑戰[J].數字醫學與健康，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\"：智能時代人機系統\"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.