本書依托多源藥物大數(shù)據(jù)，重點對藥物不良事件預(yù)測以及監(jiān)測存在的問題進行探索研究。首先，針對藥理學(xué)網(wǎng)絡(luò)模型未考慮藥物不良事件關(guān)聯(lián)在數(shù)據(jù)集中的頻率和樣本量的問題，提出了數(shù)據(jù)挖掘算法與藥理學(xué)網(wǎng)絡(luò)模型相結(jié)合的藥物不良事件預(yù)測方法。其次，針對表型特征以及分類器在藥物不良事件預(yù)測研究中的重要性，從減小冗余信息和提取高效特征的角度出發(fā)，詳細研究復(fù)雜網(wǎng)絡(luò)拓撲結(jié)構(gòu)的鏈路預(yù)測方法以及機器學(xué)習(xí)方法，提出了基于特征融合預(yù)測網(wǎng)絡(luò)模型(FFPNMS)的藥物不良事件預(yù)測方法。最后，針對現(xiàn)有藥物數(shù)據(jù)挖掘算法存在的超參數(shù)問題，提出了一種基于預(yù)測網(wǎng)絡(luò)模型的貝葉斯信號監(jiān)測算法(ICFFPNM)，提升了監(jiān)測的準確性，有效降低了監(jiān)測誤差。