药物过敏对地球健康和可持续性的影响

《Asia Pacific Allergy》：The impact of drug allergy on planetary health and sustainability

　　药物不良反应占医院入院率3%-6%，药物过敏致急诊占比14%，其中0.6%为过敏性休克。环境、社会与治理（ESG）因素通过影响药物生产、诊断测试及AI应用等环节，关联到药物过敏误诊、抗菌药物滥用及AI能耗对 planetary health的影响。风险分层工具PEN-FAST和CEPH-FAST可减少不必要药物过敏标签，而AI在提升诊断精准度同时需注意其环境足迹。

　　

药物不良反应占所有住院病例的3%至6%，在10%至15%的住院患者中出现，导致发病率增加、住院时间延长以及死亡风险上升[¹]。据估计，药物过敏导致了1%至2%的住院病例和14%的急诊就诊病例，其中0.6%为药物诱发的过敏性休克，这些病例中有15%需要住院治疗[²]。

随着人类基因组、环境与过敏和免疫性疾病表达之间的密切相互作用，人们对环境、可持续性及治理（ESG）在临床免疫学和过敏领域的作用越来越关注。“同一健康”（One Health）是指一种综合性的、统一的方法，旨在可持续地平衡和优化人类、动物以及生态系统的健康，同时认识到人类、家养和野生动物、植物以及更广泛的环境（包括生态系统）的健康是紧密相连且相互依存的[^3–5]。“地球健康”（Planetary Health）则是指通过审慎关注塑造人类未来的政治、经济和社会系统，以及定义人类能够繁荣的安全环境界限的地球自然系统，来实现全球最高水平的健康、福祉和公平[⁶]。温室气体（GHG）排放对地球健康产生负面影响，进而影响人类健康。医疗保健行业贡献了超过4%的净温室气体排放。导致这些排放的医疗保健因素包括需要大量原材料和能源生产的消耗品、塑料处理（导致塑料污染）、药品及其他化学品；以及为会议、激励活动、大会和展览（M.I.C.E.）而进行的全球旅行。增加远程医疗、虚拟/混合会议和绿色化学的使用有助于提高人们对医疗保健系统（包括医疗研究）对地球和人类健康负面影响的认识并减轻这些影响[^7,8]。

可持续性指的是维持或持久的能力，重点关注环境、社会和经济因素之间的相互作用。保护植物和动物物种的生物多样性对于维持生态系统的自然平衡至关重要。设定可持续发展目标有助于企业在不损害后代利益的情况下满足当前的需求。ESG是一种标准化框架，使投资者和其他利益相关者能够评估公司的环境和社会影响及其公司治理实践。“环境”方面包括温室气体排放、能源效率、可再生能源的使用、废物管理和水资源保护。“社会”可持续性涉及管理和识别企业对员工、工人、客户和当地社区的影响。社会公平性是指在企业关系中促进公平和平等，例如人权、员工多样性和劳动标准，以改善与人们、社区和社会的关系。“治理”方面则考虑企业的运营方式、董事会多样性、包容性、薪酬管理和伦理标准。

药物过敏在多个方面可能与ESG相关。首先，药物过敏的误诊，尤其是对青霉素的错误标签[⁹]，不仅会使患者无法使用该青霉素，还可能使他们无法使用其他非青霉素类β-内酰胺类药物，如头孢菌素。对β-内酰胺类交叉反应的误解[^10,11]常常导致广泛使用抗生素，从而增加碳青霉烯类耐药菌等抗菌素耐药性的风险[¹²]、假膜性结肠炎等不良事件的发生，以及氟喹诺酮类和大环内酯类药物的过度使用。

其次，药物过敏的诊断测试往往并不像看起来那么简单。根据指标反应的临床特征来选择体内和体外测试，每种测试根据不同的药物和测试类型具有不同的敏感性、特异性、阳性和阴性预测值[¹³]。测试还需要基础设施（例如，在激发测试期间发生全身反应时的复苏设备）、资源（例如，受过培训的医疗和护理人员）、系统与流程、临床治理以及企业风险管理（例如，针对药物激发测试和脱敏治疗）[¹⁴]。体内测试如皮肤测试和贴片测试需要强大的供应链来采购原材料（例如活性药物成分和辅料），而体外测试则需要实验室试剂和经过验证的测试试剂盒。将个体错误标记为“多重药物过敏”可能导致需要进行多次药物激发测试[¹⁵]，通过纠正不准确的药物过敏标签来提高他们的生活质量[¹⁶]。实际上，如果在标记药物过敏之前进行适当和仔细的评估，这些复杂的流程和资源本可以避免。

因此，使用PEN-FAST工具[¹⁷]将青霉素过敏标签分为低风险和高风险类别，促进了儿童和成人[²⁰]、由过敏科医生和非过敏科医生领导的诊所[²¹]以及药剂师领导的诊所[²²]与初级保健机构[²³]合作，通过直接口服挑战法[^18,19]进行青霉素过敏标签的更正。最近还开发并验证了一种头孢菌素过敏的临床决策规则[²⁴]，类似于PEN-FAST，CEPH-FAST得分低于3分具有较高的阴性预测值，临床医生和抗菌药物管理项目可以在当地验证后使用该规则，在护理点识别出头孢菌素过敏风险较低的患者，这些患者可以接受直接口服挑战或使用无交叉反应的头孢菌素。

人工智能（AI）工具[^25,26]可以帮助临床医生开发药物过敏的预测模型，考虑到临床表型和机制的异质性和复杂性、体外测试的局限性以及体内测试的相关风险。机器学习和深度学习以及人工神经网络正成为强大的工具，可以为不同类型药物过敏提供可靠和最佳的预测模型和评分，从而实现适当的病人分类[²⁷]。广泛的数据收集和整理对于模型开发至关重要，这需要全球多个中心的努力和合作。然而，很少有人意识到AI及其在数字健康、生物工程和社会中的应用对环境有重大影响，因为AI需要大量的能源来运行数据中心并产生电力。尽管在气候紧急和地球能源及水资源持续受到威胁的时代，AI的环境影响尚未得到充分认识和重视。尽管如此，在识别严重的皮肤不良反应[²⁸]以及新疗法（例如生物制剂、小分子药物、免疫检查点抑制剂[²⁹]和细胞组织及基因治疗产品[³⁰]的新不良反应方面，结合临床判断和临床实践经验，审慎使用AI仍然非常重要，同时应用最新的药物超敏反应免疫病理学知识[³¹]，超越传统的免疫学教学。

利益冲突

作者声明没有利益冲突。

作者贡献

Bernard Yu-Hor Thong：概念构思、手稿撰写和审稿。Ruby Pawankar：手稿审稿。