艾 超，冀召帅，张雅鑫，刘 岸，周学思，陈忠昊，吴 及#(.清华大学附属北京清华长庚医院/清华大学临床医学院药学部，北京 08；.清华大学电子工程系，北京 00084)

    药物性肝损伤(drug-induced liver injury，DILI)是临床常见的药物不良反应之一；严重的DILI可进展至急性肝衰竭，甚至发生死亡[1]，是药物研发失败、增加警示和撤市的重要原因，受到医药行业的高度重视[2—3]。据2019 年的一项国内多中心研究显示，我国DILI 的发生率为23.80/10 万[4]，且近年来呈上涨趋势，漏诊、误诊对患者原疾病治疗和预后均会带来多种不良影响。早期肝损伤信号主动预警、精准诊断、及时停用怀疑药物并采取干预措施，是DILI诊治的关键[5]。随着人工智能技术的发展，自然语言处理技术能够模仿人类理解病历中的语义知识从而解决病历文本数据识别处理难题[6—7]。本研究利用自然语言处理技术结合Roussel Uclaf因果关系评价法(Roussel Uclaf causality assessment method，RUCAM)[8]建立药物性肝损伤自动监测与评估系统(drug-induced liver injury surveillance and assessment system，DILI-SAS)，对临床全部住院病历开展主动性监测，以期提升DILI的监测与评价效率。

    1 技术路线

    DILI-SAS是利用自然语言处理技术结合DILI评价方法，实现对全部住院病历数据(实验室检查等数值型、病程记录/护理记录等文本型数据)的有效信息挖掘和利用，通过设定肝损伤信号识别条件，当满足判断条件的肝损伤信号被识别时，启动目标药物判断、肝损伤类型判断以及关联性评估等。图1 为本系统开展DILI 信号监测及因果关系评估技术路线图。

    图1 DILI-SAS技术路线设计流程图

    DILI-SAS 系统实现自动评分的技术步骤包括2 个步骤。步骤1——全部住院病历信息挖掘和利用。主要包括3个部分内容：(1)重要指征类，基于自然语言处理技术对全部住院病历资料解析及判断患者有无某体征，基于通用中文语料进行预训练，然后在此基础上，针对重要指征匹配任务构建新的数据集，对预训练模型进行微调 ......