在精神科药物治疗中，患者越来越倾向于在线获取药物安全信息，但相关信息分散在两类来源中：监管机构的不良事件记录虽然权威，却较为抽象；患者叙述贴近真实体验，但未经系统验证。如何在不混淆证据与轶事的前提下整合这两类信息，在精神科尤为关键——因为缺乏恰当语境的信息可能放大恐惧、引发反安慰剂效应，并导致治疗不依从。
为此，由Huizi Yu等13位作者组成的研究团队开发了一个具有来源感知能力的知识图谱多智能体框架。该框架统一了三大数据源：466,525条Reddit帖子、60,782条WebMD评论，以及美国FDA不良事件报告系统（FAERS）二十年间针对九种抗抑郁药的记录。研究采用基于大语言模型的实体识别管道，并以医生标注作为基准进行评测，在药物识别上最高F1分数达到0.969，在病症识别上达到0.973，显示出与专家标注的高度一致性。
分析揭示了一个重要现象：两个社区平台之间的数据一致性远高于它们与监管报告的一致性，重叠度的Jaccard相似度最高可达0.905。这表明患者生成的数据构成了一种部分独立的安全信号。以舍曲林为例，许多不良事件在社区来源中出现的时间比对应的FDA记录日期早数百天。这一发现提示，患者社区可能在某些情况下充当早期预警系统。
为保持来源可追溯，研究团队构建了一个基于Neo4j的知识图谱，并锚定于ATC-N、ICD-10和MedDRA等标准词汇体系。该图谱保留了每项声明的来源信息，确保监管事实与患者体验清晰分离，从而提升信息的可审计性。例如，当系统回答用户查询时，可以明确区分“FDA已记录该不良事件”与“有患者在社区中报告了类似体验”。
研究者认为，这种来源感知的整合方法为更可审计的精神科药物信息提供了路径，但其实际有用性和患者获益仍需前瞻性研究加以验证。该论文于2026年6月24日提交至arXiv，属于人工智能（cs.AI）领域。未来工作可能包括在临床环境中测试该系统的效果，以及扩展至更多药物类别。