确定性到随机性干预减少不适当处方中的药物相互作用：一项系统综述

该综述将药物相互作用缓解研究划分为确定性（含本体论）与随机/生成式两大机制，并指出分类依据是各研究报告的底层决策机制而非临床领域或研究目标。 此前综述多分别考察卫生系统干预或计算预测模型，本文把政策层面、临床运营系统与新兴AI驱动方法放在同一分析框架内综合。 基于对10项纳入研究的叙述性综合，检索覆盖四个数据库自建库至2026年3月，筛选与提取由两名评审独立完成并有第三名评审仲裁。

PROBAST+AI评估显示纳入研究的偏倚风险谱系为混合而非普遍良好：3项低风险、3项不明确、4项高风险，高风险集中于采用随机或生成式架构的研究，且多因分析域被评为高风险。 该综述将AI与机器学习特有的偏倚来源（过拟合、缺失数据处理、训练与验证集之间的数据泄漏、模型验证充分性）纳入偏倚评估，并采用最差域原则判定总体风险。 依据PROBAST+AI四个域（参与者与数据来源、预测因子、结局、分析）逐项评估，具体信号问题评估见支持信息S2 Table。

综述识别出性能指标高度异质这一贯穿性发现：机构工作流系统报告警报接受率与处方错误计数，语义框架报告本体覆盖与类别映射准确性，数据驱动预测模型报告AUC、F1分数、Jaccard相似度或RMSE。 该综述把指标异质性本身作为该领域演进的核心叙事，而非仅视为方法学不便，并指出没有单一评估框架能覆盖该领域技术演进的全跨度。 因结局指标互不相通，未进行定量荟萃分析，也未开展敏感性分析，跨研究比较为定性解释性。

综述指出计算预测性能与可测量临床终点之间存在脱节：早期确定性工作流干预曾以可预防不良药物事件和QALYs等患者安全指标衡量效用，而近期随机与生成式模型多报告内部指标，未延伸到真实临床环境测量不良药物事件或患者发病率的相应下降。 该综述将这一脱节定位为医学信息学的“最后一英里”问题，并提出未来需要能同时表达计算准确性与临床影响的共享、面向转化的结局框架。 基于对纳入研究结局测量方式的比较，作者明确说明当前文献不足以得出DDI预测性能提升直接带来更好患者结局的结论。

本综述的结论适用于评估减少药物相互作用或不适当处方的计算与临床决策支持干预的研究者、临床决策支持设计者以及考虑采纳此类系统的卫生系统；其分析框架针对确定性、本体论与随机/生成式三类机制，且纳入研究需报告评估成分（如处方准确性改善、处方错误减少、性能指标或模型验证）。综述明确将纯诊断用途的工具、配药或给药环节错误、无实证数据的出版物、灰色文献以及无法获取全文的研究排除在外，因此其结论的适用范围限于处方环节的DDI缓解干预。作者指出，PROBAST+AI的高风险评级反映的是模型在发表时点的临床转化就绪程度，而非对模型本身方法学或预测效度的否定判断，并预期当参与者与数据来源域通过具有代表性且记录充分的患者人群得到解决、结局适用性通过针对真实世界患者结局的前瞻性临床验证得到解决后，该评级有望改善。

谨慎的读者仍会关注若干开放问题：由于纳入研究仅10项且结局指标互不相通，跨代际模型的性能比较只能定性进行，未来若出现能同时表达计算准确性与临床影响的共享结局框架，结论是否改变值得观察；随机与生成式模型的外部验证、校准报告以及过拟合与数据泄漏的处理方式在纳入研究中尚不充分，这些方面的后续报告将影响对其临床就绪度的判断；依赖MIMIC-III等特定数据集带来的地理与照护标准偏向，是否会在多地区、多人群队列中得到缓解仍需验证；此外，本文为全文阅读，但具体研究特征表、偏倚风险交通灯图与PROBAST+AI逐项评估位于图表与支持信息中，若需核对单项研究的域级判定，应查阅原文Table 1、Fig 2与S2 Table。