XiaoMi-AI文件搜索系统
World File Search System警戒
疫苗药物警戒
疫苗药物警戒：基于人群的疫苗上市后安全监测疫苗是现代医学最安全的创新之一，通过诱导免疫来预防疾病。在世界各地，常规免疫接种是公共卫生系统提供的一项基本服务，也是降低儿童发病率和死亡率最经济有效的方法之一。大多数疫苗接种的对象是儿童、老年人和健康成人等弱势群体。因此，严格的疫苗安全措施和监督至关重要，因为任何安全问题，即使是毫无根据的谣言，都会削弱公众对疫苗接种的信心，并对免疫覆盖率和疫苗可预防疾病的发病率产生不利影响。因此，疫苗安全对公共健康至关重要。因此，疫苗上市后监测尤为重要，监测系统的发展是为了密切监测疫苗的安全性和有效性，从而使监管机构和制造商能够采取适当的措施来保护公众健康，维持对医疗保健系统的信任并不断改进疫苗产品。疫苗药物警戒被定义为“与检测、评估、理解、预防和通报免疫接种后不良事件或任何其他与疫苗或免疫接种相关的问题有关的科学和活动”。世界卫生组织将免疫接种后不良事件 (AEFI) 定义为“在免疫接种后发生的引起关注并被认为是由免疫接种引起的医疗事件”。疫苗药物警戒的目标是早期发现和及时应对 AEFI，旨在最大限度地减少对个人的负面影响，同时减少对现场免疫接种活动的负面影响。疫苗药物警戒
NUW 查理级空域和 680 警戒区军事...
军事训练航线 (MTR) 太平洋西北地区有许多 MTR，可供各种飞机类型和训练要求使用。当地航线的调度机构是 NAS 惠德贝岛靶场时间表或刘易斯-麦科德联合基地。IFR 航线 (IR) 和 VFR 航线 (VR) 在 VFR 分区图上以灰线绘制。只有 IR 航线在 IFR LOW 图上显示为棕线。所有绘制的航线都包括航线编号和飞行方向，其中许多航线是双向的。在航线范围内允许高速飞行。航线高度各不相同，航线宽度在绘制中心线两侧最多 5 海里。许多电子飞行包 (EFB) 仅描绘航线中心线，而不显示宽度。强烈建议飞行员在绘制的 MTR 附近飞行前，先咨询最近的飞行服务站，以获取附近 MTR 的状态。
急性护理环境下的高警戒药物清单 - ISMP
■ 氨甲环酸注射液被添加到“特定药物”列表中。氨甲环酸是一种抗纤维蛋白溶解剂，用于控制各种出血性疾病的出血，包括产后出血。它通过防止纤维蛋白分解来促进凝血。受访者表示，错误通常与储存问题和混淆外观相似的药瓶有关，最常见的是麻醉药，它们也通常储存在手术和程序位置。如果意外通过神经轴途径给药，氨甲环酸注射液是一种强效神经毒素，死亡率约为 50%，并且几乎总是对患者有害。神经轴氨甲环酸的幸存者经常会出现癫痫发作、永久性神经损伤和截瘫（www.ismp.org/ext/1139）。 ISMP 已多次警告不要使用氨甲环酸，包括 2019 年 5 月 23 日 ISMP 用药安全警报中的一篇专题文章！（www.ismp.org/node/8706），以及最近在 2023 年 8 月 24 日的新闻通讯中重复的一篇值得重复的文章（www.ismp.org/node/94378）。ISMP 还于 2020 年 9 月 9 日发布了国家警报网络 (NAN) 警告（www.ismp.org/node/20154）。
人工智能应用-药物警戒中不良事件和药物的数据驱动矢量表示
目标：评估通过全球药物警戒报告模式得出的不良事件和药物的向量表示法识别的最近邻的稳定性和临床相关性。背景：药物警戒需要识别与同一临床状况相关的不良事件术语，仅依靠医学术语的层次结构往往是不够的。药品分析也存在类似的挑战。通过利用机器学习的进步，UMC 开发了 vigiVec，产生了 MedDRA 首选术语和 WHODrug 活性物质的向量表示法。
药物警戒 (PV) 中的 AI 工具：FDA 的 InfoViP 范例和经验教训
参考文献：• CDER 对话：信息可视化平台 (InfoViP)：CDER 的新人工智能安全监控工具 | FDA。• 用于上市后监控决策支持的信息可视化平台 | SpringerLink。• 提高 FDA 药物警戒的效率和严谨性：多源信息可视化和无监督学习以支持因果推理 | FDA • https://link.springer.com/article/10.1007/s43441-019-00023-3
COVID-19 疫苗药物警戒调查...
2022 年 8 月 25 日 BNPV 病例数 29348 PS 报告的 1352 例 患者/用户报告的 14395 例（49%） 402 例（29.7%） 14953 例（51%） 950 例（70.3%） 非严重病例数（n，%） 23677 例（80.7%） 869 例（64.3%） 非严重病例患者分布（n，%） 男性 5900 例（24.9%） 173 例（19.9%） 女性 17761 例（75%） 696 例（80.1%） 未报告 16 例（0.1%） 0 例（0%） <5 例 7 例（0%） 1 例（0.1%） 5-11 例 0 例（0%） 0 例（0%） 12-15 例 115 例（0.5%） 0 例（0%） 16-18 岁 186（0.8%） 4（0.5%） 19-24 岁 1032（4.4%） 17（2%） 25-29 岁 1202（5.1%） 37（4.3%） 30-49 岁 10136（42.8%） 501（57.7%） 50-64 岁 5822（24.6%） 200（23%） 65-74 岁 2971（12.5%） 70（8.1%） 75-84 岁 1586（6.7%） 19（2.2%） ≥ 85 440（1.9%） 12（1.4%） 未报告 180（0.8%） 8（0.9%） 严重病例数（例，%） 5671（19.3%） 483（35.7%）住院 1684（29.7%） 55（11.4%） 危及生命 206（3.6%） 1（0.2%） 残疾或丧失工作能力 238（4.2%） 32（6.6%） 死亡 184（3.2%） 6（1.2%） 有医学意义 3359（59.2%） 389（80.5%） 重症患者分布（n，%） 男性 2134（37.6%） 99（20.5%） 女性 3535（62.3%） 384（79.5%） 未报告 2（0.1%） 0（0%）
人工智能在药物警戒中的应用
摘要 介绍 人工智能通过机器学习使用算法和先前的学习来做出预测。最近，人们对将更多人工智能纳入已经上市的产品和正在开发的药物的药物警戒中产生了兴趣。 目的 本研究的目的是通过系统的文献综述来确定和描述人工智能在药物警戒中的用途。 方法 使用 Embase 和 MEDLINE 数据库搜索 2015 年 1 月 1 日至 2021 年 7 月 9 日发表的文章，在标题或摘要中使用“药物警戒”、“患者安全”、“人工智能”和“机器学习”等搜索词。使用预先指定的数据提取模板审查和合成了包含有关在所有患者安全或药物警戒模式中使用人工智能的信息的科学文章。信息不完整及致编辑的信、注释和评论的文章被排除在外。 结果 确定了 66 篇文章进行评估。关于人工智能的大多数相关文章都集中在机器学习上，它在患者安全中的应用包括识别药物不良事件 (ADE) 和药物不良反应 (ADR)（57.6%）、处理安全报告（21.2%）、提取药物 - 药物相互作用（7.6%）、识别药物毒性高风险人群或指导个性化护理（7.6%）、预测副作用（3.0%）、模拟临床试验（1.5%）以及将预测不确定性整合到诊断分类器中以提高患者安全性（1.5%）。人工智能已被用于通过自动化流程和机器学习模型训练来识别安全信号；然而，鉴于每个来源包含不同类型的数据，这些发现可能不具有普遍性。结论人工智能可以处理和分析大量数据，并可应用于各种疾病状态。自动化和机器学习模型可以优化药物警戒流程，并提供更有效的方法来分析与安全相关的信息，尽管还需要更多的研究来确定这种优化是否会影响安全分析的质量。预计在不久的将来，它的使用将会增加，特别是在预测副作用和不良反应方面。
COVID-19 疫苗药物警戒调查...
男性 5464（25.1%） 437（29%） 女性 16324（74.9%） 1070（71%） 未指定 15（0.1%） 0（0%） <5 5（0%） 0（0%） 5-11 2（0%） 0（0%） 12-15 115（0.5%） 9（0.6%） 16-18 179（0.8%） 11（0.7%） 19-24 985（4.5%） 42（2.8%） 25-29 1128（5.2%） 58（3.8%） 30-49 9157（42%） 750（49.8%） 50-64 5330（24.4%） 416（27.6%） 65-74 2786（12.8%） 142（9.4%） 75 – 84 1535（7%） 58（3.8%） ≥ 85 418（1.9%） 12（0.8%） 未报告 163（0.7%） 9（0.6%） 重症病例数（n，%） 4909（18.4%） 262（14.8%） 住院 1553（31.6%） 61（23.3%） 危及生命 201（4.1%） 11（4.2%） 残疾或丧失工作能力 180（3.7%） 30（11.5%） 死亡 164（3.3%） 5（1.9%） 有医学意义 2811（57.3%） 155（59.2%） 重症病例患者分布（n，%）