AI輔助兒科用藥不良反應監(jiān)測演講人目錄引言：兒科用藥安全與AI技術(shù)的時代交匯01AI輔助兒科ADR監(jiān)測的關(guān)鍵技術(shù)實現(xiàn)路徑04AI技術(shù)在兒科ADR監(jiān)測中的核心應用場景03結(jié)語：以AI之力，守護兒童用藥安全的“最后一公里”06兒科用藥不良反應監(jiān)測的特殊性與傳統(tǒng)模式的局限02實踐挑戰(zhàn)與未來發(fā)展方向05AI輔助兒科用藥不良反應監(jiān)測01引言：兒科用藥安全與AI技術(shù)的時代交匯引言：兒科用藥安全與AI技術(shù)的時代交匯在兒科臨床工作中，我始終記得一個深刻的案例：一名3歲患兒因肺炎使用某抗生素后出現(xiàn)皮疹、哭鬧不止，起初被家長誤認為“過敏”，直到護士發(fā)現(xiàn)患兒尿液顏色異常，才意識到可能是藥物引起的肝損傷。后續(xù)檢測證實，該患兒存在罕見的藥物代謝酶基因突變，常規(guī)劑量即可導致藥物蓄積。這個案例讓我意識到，兒科用藥不良反應（AdverseDrugReactions,ADRs）的監(jiān)測不僅需要臨床經(jīng)驗，更需要精準、高效的技術(shù)支撐。兒童作為特殊用藥人群，其生理特點（如肝腎功能未成熟、藥物代謝酶活性差異、體液分布不均等）決定了ADR的發(fā)生率、臨床表現(xiàn)及嚴重程度均與成人存在顯著差異。據(jù)世界衛(wèi)生組織（WHO）數(shù)據(jù)，全球每年有約660萬兒童死于可預防的疾病，其中不合理用藥導致的ADR占比高達30%。引言：兒科用藥安全與AI技術(shù)的時代交匯在我國，兒科ADR報告率雖逐年提升，但仍存在漏報率高（估計實際發(fā)生率是報告數(shù)的10-20倍）、信號識別滯后、因果關(guān)系判定困難等問題。傳統(tǒng)ADR監(jiān)測依賴被動上報系統(tǒng)，往往在ADR發(fā)生后才介入，難以實現(xiàn)早期預警；而人工回顧性分析病歷數(shù)據(jù)效率低下，面對海量臨床信息時易出現(xiàn)疏漏。正是這樣的臨床痛點，推動了人工智能（AI）技術(shù)與兒科用藥安全領(lǐng)域的深度融合。AI憑借其強大的數(shù)據(jù)處理能力、模式識別算法和實時分析優(yōu)勢，正在重構(gòu)兒科ADR監(jiān)測的邏輯鏈條——從“被動應對”轉(zhuǎn)向“主動預警”，從“經(jīng)驗驅(qū)動”轉(zhuǎn)向“數(shù)據(jù)驅(qū)動”，從“單一來源”轉(zhuǎn)向“多模態(tài)融合”。本文將從兒科ADR監(jiān)測的特殊性出發(fā)，系統(tǒng)梳理AI技術(shù)在其中的核心應用場景、關(guān)鍵技術(shù)路徑、實踐挑戰(zhàn)及未來方向，以期為行業(yè)者提供兼具理論深度與實踐價值的參考。02兒科用藥不良反應監(jiān)測的特殊性與傳統(tǒng)模式的局限兒科患者的生理與用藥特殊性兒科ADR監(jiān)測的首要挑戰(zhàn)源于患兒群體的“非標準化”特征。與成人相比，兒童在不同年齡段（新生兒、嬰幼兒、學齡前、學齡期）的生理狀態(tài)差異顯著，直接影響了藥物的吸收、分布、代謝、排泄（ADME）過程：-新生兒期（0-28天）：肝藥酶（如CYP3A4、CYP2D6）系統(tǒng)尚未發(fā)育成熟，藥物代謝能力僅為成人的10%-30%；腎小球濾過率（GFR）低，藥物排泄緩慢，易導致蓄積中毒。例如，新生兒使用氯霉素易引發(fā)“灰嬰綜合征”，即因肝臟葡萄糖醛酸轉(zhuǎn)移酶不足導致氯霉素無法滅活，引起循環(huán)衰竭。-嬰幼兒期（1-3歲）：體液占比高（新生兒體液占體重的75%-80%，成人僅55%-60%），脂溶性藥物分布容積增大，需調(diào)整劑量；血腦屏障發(fā)育不完善，易通過屏障引起中樞神經(jīng)系統(tǒng)反應，如咖啡因過量可導致嬰幼兒驚厥。兒科患者的生理與用藥特殊性-兒童期（3-12歲）：藥物代謝酶活性逐漸成熟，但個體差異開始顯現(xiàn)，部分患兒存在遺傳多態(tài)性（如CYP2C93、VKORC1突變），導致華法林等藥物劑量需精準調(diào)整，否則易出血或血栓。此外，兒科用藥“劑量依賴性強”的特點也增加了ADR風險。多數(shù)兒科藥物需根據(jù)體重、體表面積計算劑量，但臨床中易出現(xiàn)“估算誤差”（如護士換算錯誤、家長自行加量），而傳統(tǒng)監(jiān)測系統(tǒng)難以實時捕捉這類細微劑量偏差導致的ADR。傳統(tǒng)ADR監(jiān)測模式的固有缺陷基于上述特殊性，傳統(tǒng)兒科ADR監(jiān)測模式面臨“三大瓶頸”：1.被動上報與低漏報率：全球主流ADR監(jiān)測系統(tǒng)（如WHOVigibase、我國國家ADR監(jiān)測系統(tǒng)）多依賴醫(yī)護人員自發(fā)上報，但臨床工作繁忙、上報流程繁瑣、擔心責任追溯等問題導致上報積極性低。據(jù)我國國家藥品監(jiān)督管理局數(shù)據(jù)，2022年兒科ADR報告僅占總報告數(shù)的8.7%，遠低于兒科用藥占比（約20%）。2.信號識別滯后性：傳統(tǒng)信號檢測依賴“集中數(shù)據(jù)處理+人工審核”，從數(shù)據(jù)收集到信號生成往往需數(shù)周甚至數(shù)月。例如，某抗生素引起的兒童急性肝損傷曾因上報分散，直至出現(xiàn)多例重癥才被警示，期間已有數(shù)十名患兒受影響。傳統(tǒng)ADR監(jiān)測模式的固有缺陷3.數(shù)據(jù)整合能力不足：兒科ADR信息分散于電子病歷（EMR）、實驗室信息系統(tǒng)（LIS）、影像系統(tǒng)、檢驗報告、家長自述等多個渠道，傳統(tǒng)系統(tǒng)缺乏跨平臺整合能力，難以構(gòu)建“患者全息畫像”。例如，患兒院外出現(xiàn)的皮疹癥狀若未被及時記錄，院內(nèi)的用藥評估就可能遺漏關(guān)鍵信息。03AI技術(shù)在兒科ADR監(jiān)測中的核心應用場景AI技術(shù)在兒科ADR監(jiān)測中的核心應用場景AI技術(shù)的介入，本質(zhì)上是將“人腦的經(jīng)驗判斷”與“機器的數(shù)據(jù)算力”結(jié)合，構(gòu)建覆蓋“數(shù)據(jù)采集-風險預測-信號檢測-決策支持”的全流程監(jiān)測體系。以下從四個核心場景展開分析：多源異構(gòu)數(shù)據(jù)的高效整合與結(jié)構(gòu)化提取兒科ADR監(jiān)測的首要前提是“數(shù)據(jù)可及”，而AI中的自然語言處理（NLP）技術(shù)正是破解“非結(jié)構(gòu)化數(shù)據(jù)”難題的關(guān)鍵。1.電子病歷（EMR）的語義化解析：兒科EMR中包含大量非結(jié)構(gòu)化文本（如病程記錄、護理記錄、家長主訴），傳統(tǒng)人工閱讀耗時且易遺漏?；贜LP的命名實體識別（NER）技術(shù)可自動提取關(guān)鍵信息：-藥物信息：藥物名稱（商品名/通用名）、劑量、給藥途徑、頻次（如“阿奇霉素顆粒，100mg，qd，po”）；-ADR癥狀：描述性癥狀（如“患兒全身散在紅色丘疹，瘙癢明顯”）、實驗室指標（如“ALT120U/L，正常值<40U/L”）；多源異構(gòu)數(shù)據(jù)的高效整合與結(jié)構(gòu)化提取-患兒特征：年齡、體重、基礎(chǔ)疾?。ㄈ纭跋忍煨孕呐K病，術(shù)后”）、過敏史（如“青霉素過敏史”）。例如，某兒童醫(yī)院應用BERT預訓練模型解析EMR，將ADR相關(guān)信息的提取準確率提升至92%，較人工閱讀效率提高10倍。2.跨系統(tǒng)數(shù)據(jù)的關(guān)聯(lián)融合：AI知識圖譜技術(shù)可整合EMR、LIS、影像系統(tǒng)、醫(yī)保數(shù)據(jù)、甚至可穿戴設(shè)備數(shù)據(jù)（如智能體溫計、血氧儀），構(gòu)建患兒“數(shù)字孿生”模型。例如，通過關(guān)聯(lián)患兒住院期間的用藥記錄與實驗室檢查結(jié)果，AI可自動標記“用藥后3天內(nèi)血小板下降”的異常關(guān)聯(lián)，提示可能的血液系統(tǒng)ADR。多源異構(gòu)數(shù)據(jù)的高效整合與結(jié)構(gòu)化提取3.家長自述數(shù)據(jù)的標準化處理：兒科用藥中，家長是重要的信息來源（如家庭用藥史、院外癥狀），但其描述常存在口語化、模糊化問題（如“孩子吃了一種白色藥片，后來說肚子疼”）?；趯υ捠紸I的意圖識別技術(shù)可自動將家長自述轉(zhuǎn)化為標準化術(shù)語，如“白色藥片”映射為“阿莫西林膠囊”，“肚子疼”映射為“腹痛（輕度）”，并補充時間、頻次等關(guān)鍵信息?；跈C器學習的ADR風險預測模型風險預測是ADR監(jiān)測的核心目標，AI通過構(gòu)建“患者-藥物-ADR”關(guān)聯(lián)模型，可實現(xiàn)個體化風險預警。1.傳統(tǒng)統(tǒng)計模型與AI模型的對比：傳統(tǒng)ADR風險預測多依賴logistic回歸，需預設(shè)變量且難以處理高維數(shù)據(jù)；而機器學習模型（如隨機森林、XGBoost、深度學習）可自動從海量數(shù)據(jù)中提取特征，適用于復雜場景。例如，針對兒童抗癲癇藥卡馬西平引起的Stevens-Johnson綜合征（SJS），傳統(tǒng)模型僅能考慮HLA-B1502基因這一單一變量，而深度學習模型可整合基因數(shù)據(jù)、合并用藥（如丙戊酸鈉）、基礎(chǔ)感染狀態(tài)等20+維特征，預測AUC（曲線下面積）從0.75提升至0.89?；跈C器學習的ADR風險預測模型2.動態(tài)風險預測模型的構(gòu)建：兒科患者的生理狀態(tài)隨時間變化，靜態(tài)模型難以反映實時風險?；谘h(huán)神經(jīng)網(wǎng)絡(luò)（RNN）或長短期記憶網(wǎng)絡(luò)（LSTM）的動態(tài)模型可實時更新風險評分：-輸入層：實時數(shù)據(jù)（如當前用藥劑量、最新實驗室指標、生命體征）；-隱藏層：學習“時間序列依賴關(guān)系”（如用藥后第2天血小板變化趨勢）；-輸出層：生成動態(tài)風險等級（低/中/高），并提示關(guān)鍵風險因素（如“當前風險等級高，主要因用藥第3天WBC下降至2.5×10?/L”）。某研究中心應用該模型對住院患兒進行實時監(jiān)測，使ADR提前預警時間從平均12小時縮短至3小時，重度ADR發(fā)生率下降28%?；跈C器學習的ADR風險預測模型3.罕見ADR的預測優(yōu)化：兒科罕見ADR（發(fā)生率<1/10,000）因樣本量少，傳統(tǒng)模型難以訓練。AI通過“遷移學習”策略，可利用成人ADR數(shù)據(jù)預訓練模型，再用兒科小樣本數(shù)據(jù)微調(diào)。例如，預測兒童他克莫司引起的神經(jīng)毒性時，先基于10萬例成人用藥數(shù)據(jù)預訓練模型，再納入500例兒科患者數(shù)據(jù)進行優(yōu)化，最終預測敏感度達81%，較單一兒科數(shù)據(jù)模型提升40%。實時信號檢測與因果推斷傳統(tǒng)ADR信號檢測依賴“disproportionality分析”（如PRR、ROR），需積累一定數(shù)量的報告后才能觸發(fā)信號，存在滯后性；AI通過實時數(shù)據(jù)流分析和因果推斷算法，可顯著提升信號生成效率。1.實時數(shù)據(jù)流監(jiān)測系統(tǒng)：基于流計算（如ApacheFlink）和AI模型，構(gòu)建“秒級響應”的監(jiān)測系統(tǒng)：-數(shù)據(jù)接入：實時接收醫(yī)院HIS系統(tǒng)、藥房系統(tǒng)的用藥數(shù)據(jù)，實驗室LIS的檢驗結(jié)果，護士站的體征錄入數(shù)據(jù)；-實時分析：每5分鐘更新一次ADR信號，通過“信號強度算法”（如結(jié)合貝葉斯置信網(wǎng)絡(luò)）計算藥物-ADR關(guān)聯(lián)的置信度；-預警推送：當置信度超過閾值時，系統(tǒng)自動向臨床藥師、科室主任發(fā)送預警信息（如“過去1小時內(nèi)，3例患兒使用美羅培南后出現(xiàn)血肌酐升高，請重點關(guān)注”）。實時信號檢測與因果推斷2.因果推斷模型的應用：ADR判定需排除混雜因素（如患兒同時使用多種藥物、合并感染），傳統(tǒng)方法易受“混雜偏倚”影響。AI中的因果推斷算法（如傾向性得分匹配、Do-Calculus）可模擬“反事實場景”，即“若該患兒未使用該藥物，是否會出現(xiàn)ADR”。例如，某研究應用因果森林模型分析兒童阿司匹林與瑞氏綜合征的關(guān)聯(lián)，在控制流感、水痘等混雜因素后，證實阿司匹林可使瑞氏綜合征風險增加12倍（OR=12.3，95%CI：8.5-17.8），較傳統(tǒng)隊列研究更精準。3.信號優(yōu)先級分層管理：臨床資源有限，需對ADR信號進行優(yōu)先級排序。AI通過構(gòu)實時信號檢測與因果推斷建“風險-緊迫性”評估模型，綜合考慮：-ADR嚴重程度（如致命、嚴重、輕微）；-可逆性（如皮疹可停藥自愈，肝損傷需緊急干預）；-藥物使用頻率（如高頻使用藥物的信號影響范圍更廣）。例如，系統(tǒng)將“青霉素引起的過敏性休克”標記為“最高優(yōu)先級”（立即干預），而“鐵劑引起的輕度便秘”標記為“低優(yōu)先級”（常規(guī)關(guān)注）。臨床決策支持與智能干預AI的最終價值在于輔助臨床決策，將監(jiān)測結(jié)果轉(zhuǎn)化為可執(zhí)行的干預措施。1.個體化用藥建議生成：基于患兒的風險預測結(jié)果，AI可生成“劑量調(diào)整方案”“替代藥物推薦”“ADR預防措施”。例如，對攜帶CYP2C93基因的患兒，AI會提示：“華法林維持劑量需較常規(guī)降低30%（推薦2-3mg/d），每3天監(jiān)測INR，目標值2.0-3.0”，并附上相關(guān)指南文獻鏈接。2.用藥交互作用智能提醒：兒科常合并用藥（如感染患兒同時使用抗生素、退燒藥、止咳藥），ADR風險疊加。AI通過藥物相互作用知識庫（如Micromedex、Dr臨床決策支持與智能干預ugBank）和機器學習模型，可自動檢測潛在交互：-藥效學交互：如“阿司匹林+布洛芬”可增加胃腸道出血風險；-藥動學交互：如“紅霉素+地高辛”可抑制地高辛排泄，導致中毒；-提醒方式：在醫(yī)生開具處方時，系統(tǒng)彈出彈窗（紅色警示：“存在嚴重交互，建議更換藥物”或黃色警示：“交互風險中等，建議監(jiān)測血藥濃度”）。3.ADR管理路徑優(yōu)化：對于已發(fā)生的ADR，AI可生成標準化管理流程：-輕度ADR（如皮疹）：建議“停藥+抗組胺藥治療，48小時復診”；-中度ADR（如肝損傷）：建議“立即停藥+保肝治療（如還原型谷胱甘肽），每日監(jiān)測肝功能”；-重度ADR（如過敏性休克）：啟動“搶救流程（腎上腺素、吸氧、心電監(jiān)護）”，并自動上報至醫(yī)院ADR中心。04AI輔助兒科ADR監(jiān)測的關(guān)鍵技術(shù)實現(xiàn)路徑數(shù)據(jù)治理：兒科數(shù)據(jù)的“標準化與隱私保護”數(shù)據(jù)是AI的“燃料”，但兒科數(shù)據(jù)的特殊性（如倫理敏感性、數(shù)據(jù)稀疏性）對數(shù)據(jù)治理提出了更高要求。1.兒科數(shù)據(jù)標準化體系構(gòu)建：-術(shù)語標準化：采用國際標準術(shù)語集（如SNOMEDCT、ICD-11）對兒科疾病、藥物、ADR進行編碼，例如將“嬰兒腹瀉”編碼為SNOMEDCT:267036007，“皮疹”編碼為267036005；-數(shù)據(jù)元標準化：定義兒科核心數(shù)據(jù)元（如“患兒孕周”“出生體重”“用藥劑量/m2”），確保不同來源數(shù)據(jù)可對齊；-質(zhì)量控制：通過規(guī)則引擎（如“藥物劑量>5mg/kg需二次審核”）和機器學習異常檢測（如識別“年齡2歲但體重記錄50kg”的錯誤數(shù)據(jù)），提升數(shù)據(jù)準確性。數(shù)據(jù)治理：兒科數(shù)據(jù)的“標準化與隱私保護”2.隱私保護與倫理合規(guī)：-去標識化處理：采用k-匿名、l-多樣性等技術(shù)，對患兒姓名、身份證號、家庭住址等敏感信息進行脫敏，同時保留數(shù)據(jù)關(guān)聯(lián)性；-聯(lián)邦學習：在不共享原始數(shù)據(jù)的前提下，多醫(yī)院協(xié)作訓練模型（如各醫(yī)院將模型參數(shù)上傳至中心服務器聚合，僅返回更新后的模型，不交換患者數(shù)據(jù)）；-知情同意優(yōu)化：通過AI生成可視化、通俗化的知情同意書（用動畫解釋“數(shù)據(jù)用途”“隱私保護措施”），提高家長配合度。算法優(yōu)化：應對兒科數(shù)據(jù)的“小樣本與不平衡性”兒科ADR數(shù)據(jù)普遍存在“樣本量少、類別不平衡”（如常見ADR報告數(shù)是罕見ADR的100倍以上），需針對性優(yōu)化算法。1.小樣本學習技術(shù)：-元學習（Meta-Learning）：通過“學習如何學習”，從少量兒科ADR數(shù)據(jù)中快速適應新任務。例如，利用100例兒童抗生素致肝損傷病例預訓練模型，再針對某新型抗生素的20例病例進行微調(diào)，即可完成該藥物的ADR預測；-生成對抗網(wǎng)絡(luò)（GAN）：生成合成ADR數(shù)據(jù)以擴充樣本量。如基于真實兒童皮疹病例生成虛擬病例，使罕見ADR樣本量從50例擴充至500例，提升模型泛化能力。算法優(yōu)化：應對兒科數(shù)據(jù)的“小樣本與不平衡性”2.類別不平衡處理：-代價敏感學習：對不同ADR類別賦予不同權(quán)重，使模型更關(guān)注少數(shù)類（如罕見ADR）。例如，將“過敏性休克”的誤分類代價設(shè)為“皮疹”的10倍，迫使模型優(yōu)先識別嚴重ADR；-集成學習：結(jié)合EasyEnsemble、BalanceCascade等算法，通過多次下采樣多數(shù)類、上采樣少數(shù)類，構(gòu)建多個分類器并集成投票，提升罕見ADR的召回率。人機協(xié)同：AI與臨床的“信任與協(xié)作機制”AI并非取代醫(yī)生，而是成為“智能助手”，需建立高效的人機協(xié)同流程。1.AI決策的可解釋性設(shè)計：-可視化解釋工具：通過LIME（LocalInterpretableModel-agnosticExplanations）、SHAP（SHapleyAdditiveexPlanations）等技術(shù)，向醫(yī)生展示AI判斷的依據(jù)。例如，預測某患兒ADR風險為“高”時，系統(tǒng)會顯示：“主要貢獻因素：CYP2D6基因突變（權(quán)重0.4）、聯(lián)合使用紅霉素（權(quán)重0.3）、既往有藥物過敏史（權(quán)重0.2）”；-案例庫關(guān)聯(lián)：當AI發(fā)出預警時，自動推送歷史相似病例（如“2023年5月，3歲男性，使用相同藥物后出現(xiàn)ADR，經(jīng)停藥+治療后恢復”），幫助醫(yī)生參考經(jīng)驗。人機協(xié)同：AI與臨床的“信任與協(xié)作機制”2.臨床反饋閉環(huán)機制：-醫(yī)生反饋入口：在預警界面設(shè)置“確認/駁回/補充信息”按鈕，醫(yī)生的選擇會被記錄為訓練數(shù)據(jù)，用于優(yōu)化模型；-持續(xù)學習機制：模型定期接收新的ADR案例和醫(yī)生反饋，通過在線學習更新算法，避免“過時”導致的預測偏差。例如，某新型上市藥物的ADR特征可通過醫(yī)生反饋快速融入模型，實現(xiàn)“即學即用”。05實踐挑戰(zhàn)與未來發(fā)展方向當前面臨的主要挑戰(zhàn)盡管AI在兒科ADR監(jiān)測中展現(xiàn)出巨大潛力，但落地實踐中仍面臨多重挑戰(zhàn)：1.數(shù)據(jù)壁壘與孤島問題：兒科數(shù)據(jù)分散于不同醫(yī)院、區(qū)域甚至國家，缺乏統(tǒng)一的數(shù)據(jù)共享平臺。例如，某三甲醫(yī)院的兒科ADR數(shù)據(jù)無法與社區(qū)醫(yī)院、基層醫(yī)療機構(gòu)互通，導致“全程監(jiān)測”難以實現(xiàn)。2.算法泛化能力不足：現(xiàn)有AI模型多基于單中心數(shù)據(jù)訓練，對不同地區(qū)、不同人群（如偏遠地區(qū)患兒、罕見病患兒）的適應性較差。例如，基于一線城市醫(yī)院數(shù)據(jù)訓練的模型，在應用于農(nóng)村地區(qū)患兒時，因用藥習慣、基礎(chǔ)疾病譜差異，預測準確率下降15%-20%。3.臨床接受度與信任度問題：部分醫(yī)生對AI決策持懷疑態(tài)度，尤其當AI建議與臨床經(jīng)驗沖突時。例如，AI提示某藥物可能導致ADR，但醫(yī)生認為“臨床使用多年未出現(xiàn)問題”，從而忽視預警，導致漏干預。當前面臨的主要挑戰(zhàn)4.倫理與法律風險界定：若因AI預警失誤導致患兒損害，責任如何界定（是醫(yī)生、醫(yī)院還是AI開發(fā)者）？目前尚無明確法律法規(guī)，這阻礙了AI技術(shù)的廣泛應用。未來發(fā)展方向針對上述挑戰(zhàn)，未來需從技術(shù)、政策、協(xié)作三個維度突破：1.技術(shù)層面：構(gòu)建“多模態(tài)、全周期”監(jiān)測體系：-多模態(tài)數(shù)據(jù)融合：整合基因組數(shù)據(jù)（如藥物代謝酶基因）、蛋白質(zhì)組數(shù)據(jù)（如藥物濃度監(jiān)測）、影像數(shù)據(jù)（如肝損傷的超聲表現(xiàn)）、可穿戴設(shè)備數(shù)據(jù)（如實時心率、體溫），構(gòu)建“多維度風險畫像”；-全周期監(jiān)測：從“用藥前風險評估”到“用藥中實時監(jiān)測”再到“用藥后追蹤隨訪”，實現(xiàn)ADR風險的“閉環(huán)管理”。例如，通過可穿戴設(shè)備監(jiān)測患兒用藥后的體溫、心率變化，AI實時分析異常波動并提前預警。未來發(fā)展方向2.政策層面：建立“標準化+倫理化”治理框架：-推動數(shù)據(jù)共享法規(guī)：出臺兒科數(shù)據(jù)共享專項政策，明確數(shù)據(jù)權(quán)屬、使用范圍和隱私保護要求，建立區(qū)域級兒科醫(yī)療數(shù)據(jù)平臺；-制定