预测报告者的严重性标签，而非临床严重程度
这篇论文要回答的是：机器学习能否标记出 GLP-1 受体激动剂不良事件报告中的严重报告。这里的严重性由 FAERS 的结局代码定义：只要报告带有至少一个代码，例如死亡、住院或危及生命的事件，就算作严重。每条观测是一个病例–分子对，因此一个病例若记录了多个 GLP-1 分子，就会贡献不止一条观测。
这一定义决定了如何理解所有结果。模型学到的是复现报告者和编码者在数据库中如何判定严重性；它们不估计事件实际发生的频率，论文也明确指出 FAERS 无法提供发病率估计。因此高分只意味着该报告在数据中与严重报告相似，并不代表患者面临可测量的风险。
从自由文本药名构建的 242,312 条观测队列
分析使用 2015 年 1 月至 2025 年 3 月的 FAERS 季度数据。由于 FAERS 的药名是自由文本，作者先把药名映射到标准化的 RxNorm 成分，再用子串匹配补充，然后保留药物作为主要或次要可疑药物的报告。对 400 条抽样药名映射的审核显示精确率为 96.5%，作者报告这些映射错误会被后续的 GLP-1 过滤剔除。
在最初识别的 250,093 个病例中，有 10,224 个（4.1%）因分子与暴露映射标准被剔除。被剔除的病例中严重比例更高（52.8%，而保留的 239,869 个病例为 25.1%），说明剔除并非随机。一项纳入这些病例、仅使用共同特征的敏感性分析发现，对留出集上逻辑回归和随机森林的表现以及随机森林的特征排序影响可忽略，但主模型仍以药名映射成功为前提。
排序能力强，原始概率偏弱
区分度和校准回答的是不同问题，论文将二者分开处理。区分度以 ROC-AUC 概括，衡量模型能否把严重报告排在非严重报告之前；各模型的取值在 0.877 至 0.930 之间。校准衡量的是预测概率是否与该概率水平上实际观察到的严重报告比例相符，以 Brier 分数概括。
模型排序表现好，但原始概率与观察结局并不吻合。采用事后校准，即 Platt 缩放或等渗回归后，校准曲线更接近完美校准的对角线。使用等渗校准的随机森林 Brier 分数为 0.096，Platt 缩放版本几乎相同，为 0.097。若要把模型输出当作概率而非排序来读，正是这一步校准让这个数字变得可解释。
高频胃肠报告反而是弱预测因子
特征重要性结果承载了论文最独特的发现。常被报告的胃肠事件对严重性的预测重要性很低，尽管它们在数据中很常见。相比之下，给药与用药问题、注射部位事件和胰腺事件属于最强的预测因子。作者将此描述为事件被报告的频率与其对模型判断报告者判定严重性的信息量之间存在脱节。
主要信号的方向并不相同。在基于 BERT 的模型的主 KernelSHAP 分析中，给药与用药问题以平均绝对 SHAP 值 0.063 排第一，其次是胰腺效应 0.061，其他不良事件类别 0.056。蜂群图显示，胰腺事件会把预测推向严重结局，而给药与用药问题的高取值则把预测推向非严重结局。这些数值以概率为单位，描述的是该模型内部的贡献，而非临床风险。
首要预测因子随模型家族而变
各模型的特征排序并不一致。逻辑回归优先考虑报告者类型，随机森林把给药与用药问题列为最有影响的特征，主语言模型的 SHAP 分析也把该特征列入前列，而 Transformer 模型则突出特定分子，如司美格鲁肽和替尔泊肽。论文提醒，跨架构比较 SHAP 幅度很困难，因为不同模型分配重要性的方式不同。
即便在同一语言模型内部，确切顺序也不稳定。使用不同背景和扰动种子重复运行 KernelSHAP，整体排序一致性很高，两两 Spearman 相关系数为 0.965 至 0.979，但首要特征的顺序会变化。因此作者建议不要把平均绝对 SHAP 值或确切排名的微小差异解读为实质意义。稳健的结论是有影响力特征的宽泛分组，而非精确的排行榜。
内部验证未检验可迁移性
若干限制决定了结果能走多远。年龄在 47.6% 的分析观测中缺失，逻辑回归和随机森林模型用中位数填补；排除年龄的敏感性分析只带来区分度和校准的微小变化，但缺失本身仍是 FAERS 的固有特征。适应症信息粗糙，63.5% 被编码为其他，这限制了疾病特异性亚组分析，也意味着分子特异的 SHAP 值不应被解读为分子之间的比较安全性效应。
二元的严重性结局本身就是一个不完美的代理变量，可能把有临床意义的事件错误分类，而消费者报告者类别混合了常规患者报告与诉讼驱动的提交。最重要的是，研究没有做外部验证。观察到的区分度、校准和特征重要性模式仅在 FAERS 内部得到验证，可能无法推广到其他报告系统、人群、编码实践或监管环境；作者指出，使用 VigiBase 等独立数据源是必要的下一步。
校准是投入实际使用的前提
论文的实践优先级来自排序与概率之间的比较。所有模型的区分度都很强，因此对于需要可解释的报告者判定严重性概率的用途，单看高 ROC-AUC 无法区分它们。校准这一步把原始输出变成了接近观察结局率的概率，其中等渗校准的随机森林取得了最佳的 Brier 分数 0.096。
第二个优先级是把特征重要性当作情境线索，而非报告频率的线索。给药与用药、注射部位和胰腺类别携带的严重性信号多于高频报告的胃肠事件，且这些贡献的方向各不相同。在任何监管或实际使用之前，论文自己设定的门槛是在独立药物警戒数据库中进行外部验证和重新校准，因为当前证据仅限于 2015 年至 2025 年 3 月 FAERS 中 GLP-1 受体激动剂的报告。
本文引用的文献
使用 FAERS 的校准 AI 药物警戒方法
基于 242,312 条 GLP-1 受体激动剂病例–分子观测的模型，对报告者判定的严重性达到 ROC-AUC 0.877–0.930，事后校准提高了概率可靠性，高频胃肠事件是弱预测因子，而给药、注射部位和胰腺事件位列最强预测因子之中。