目的  研究氨氯地平上市后的安全性，挖掘潜在的不良事件（ADE）信号，并构建可推广应用于多种药物的ADE信号智能化查询平台。

方法  检索美国食品药品管理局不良事件报告系统数据库2004年第一季度至2024年第四季度的数据，采用报告比值比法、英国药品和保健品管理局综合标准法、贝叶斯置信区间递进神经网络法和多项伽马-泊松分布缩减法4种比例失衡法对氨氯地平相关ADE进行信号挖掘。并基于Deepseek AI模型开发通用型ADE信号挖掘查询平台，实现对多种药物安全性的监测与分析。

结果  共获得51 166份以氨氯地平为首要怀疑药物的ADE报告。通过4种比例失衡法联合筛选，发现多个未被药品说明书记载的潜在ADE信号，包括耳及迷路类疾病（如感音神经性听觉减退）、呼吸系统与胸及纵隔疾病（如非心源性肺水肿）、精神病类疾病（如自杀既遂）等。所构建的数智化平台实现了ADE数据的自动化处理与监测，为临床医师和监管机构提供了药物安全信息的快速获取途径。

结论  通过真实世界数据挖掘揭示了氨氯地平使用中的潜在安全风险，临床使用前应做好患者用药风险评估。除关注已知ADE外，还应警惕新发现的潜在风险信号。数智化平台的构建为药物警戒工作提供了高效工具，可推广应用于多种药物安全监测，对提升药物警戒水平和用药安全具有重要意义。

高血压是心脑血管疾病及死亡的主要危险因素，我国高血压患者人数超过2.7亿人，疾病负担持续加重，已成为我国重大公共卫生问题[1-2]。长期血压控制不佳可导致脑卒中、心肌梗死等严重并发症[3]。作为第3代二氢吡啶类钙通道阻滞剂，氨氯地平疗效明确且应用广泛，可通过选择性抑制血管平滑肌细胞L型钙通道，发挥长效降压作用，被广泛用于高血压及慢性稳定性心绞痛的治疗[4-5]。尽管氨氯地平总体安全性良好，但其常见不良事件（adverse drug event，ADE）如外周水肿、头痛、面部潮红等已被多项研究[6-9]报道。然而，现有安全性数据多源于随机对照试验或小样本观察性研究，受限于严格的纳入标准及较短的随访周期，难以全面反映真实世界中的长期用药风险。此外，近年来有病例报告[10-11]提示氨氯地平可能与肝功能异常、牙龈增生及罕见过敏反应相关，但这些潜在风险尚未在系统性研究中得到充分验证。

美国食品药品管理局（Food and Drug Administration，FDA）不良事件报告系统（FDA Adverse Event Reporting System，FAERS）作为全球最大的药物警戒数据库，收录了海量自发上报的ADE报告，能有效识别上市后药品的罕见或迟发性风险信号。然而，对FAERS等大型数据库的挖掘分析需要运用复杂的统计方法和编程实现，传统ADE信号挖掘平台的开发周期长且难以快速实现对多种药物安全性的监测[12]。随着大语言模型等人工智能（artificial intelligence，AI）技术发展，这些工具在辅助代码生成和应用开发方面展现出巨大潜力，为药物警戒的数字化转型提供了新的解决方案[13]。基于已有的ADE信号挖掘算法，AI技术能够迅速生成适用于不同药物分析的代码，并辅助构建交互式查询平台，大幅缩短开发周期，同时确保代码质量和一致性。本研究基于FAERS数据库，采用多种比例失衡法挖掘氨氯地平的ADE信号，为临床安全用药提供实证依据；同时，利用Deepseek模型辅助开发，以氨氯地平ADE分析代码为基础，构建可扩展的ADE信号智能化查询平台，旨在实现对多种药物安全性的便捷查询与分析。

1 资料与方法

1.1 数据来源与提取

本研究数据来源于FAERS数据库，检索FAERS数据库2004年第一季度至2024年第四季度的数据。FAERS数据库中的数据集包括患者人口统计学和行政信息（DEMO）、ADE信息（REAC）、患者结果信息（OUTC）、药物信息（DRUG），药物治疗开始日期和结束日期（THER）、报告来源信息（RPSR）和使用/诊断适应证（INDI）7个数据表。

1.2 数据处理

采用SAS 9.4、MySQL 8.0软件对数据进行预处理，流程包括数据清理、标准化，所有系统/器官分类（system-organ classes，SOC）和首选术语（preferred terms，PT）名称均依据临床药品标准命名术语表（RxNorm）和《国际医学用语词典》（Medical Dictionary for Regulatory Activities，MedDRA）27.0版进行标准化编码，以删除重复的病例记录。

考虑到数据处理流程的复杂性和可重复性要求，利用Deepseek AI模型辅助开发一套自动化数据处理脚本。该脚本能实现FAERS数据库原始数据的自动下载、解压、导入数据库、清洗与标准化，以提高数据预处理的效率与准确性，同时保证数据处理的一致性和可重复性。基于此数据处理框架，不仅能完成对氨氯地平相关ADE的提取与整理，也能为后续开发的通用型ADE查询平台奠定数据基础。

1.3 信号挖掘

采用报告比值比（reporting odds ratio，ROR）法、英国药品和医疗保健产品管理局（Medicines and Healthcare products Regulatory Agency，MHRA）的综合标准法（以下简称“MHRA法”）、贝叶斯置信区间递进神经网络（Bayesian confidence propagation neural network，BCPNN）法和多项伽马-泊松分布缩减（multi-item gamma Poisson shrinker，MGPS）法 4种比例失衡法对氨氯地平ADE信号进行挖掘[14-18]。ROR法的阳性信号生成标准：氨氯地平的目标ADE报告数（a）≥3、ROR值的95%置信区间（confidence interval，CI）下限＞1；MHRA法的阳性信号生成标准：a≥3，比例报告比值（proportional reporting ratio，PRR）≥2且χ²≥4；BCPNN法的阳性信号生成标准：信息成分（information component，IC）值的95%CI下限（IC₀₂₅）＞0；MGPS法的阳性信号生成标准：贝叶斯几何平均数（empirical Bayesian geometric mean，EBGM）的95%CI下限（EBGM₀₅）＞2[19-22]。本研究以4 种方法同时检出的阳性信号判定为可疑信号，代表氨氯地平与对应ADE之间的存在统计学关联。MGPS法是4种方法中最严格的，其灵敏度最低，特异度最高，适用于药物流行病学研究。同时，MGPS法通过数据分层处理的方式，能够有效降低人口统计学混杂因素的干扰[23]，故以EBGM₀₅作为信号强度判断指标。所有统计分析采用R软件（版本4.4.2）完成。

1.4 构建药物警戒数智化平台

通过Deepseek AI模型的辅助，将该代码框架扩展为可适用于其他药物的通用分析模块。在此基础上，进一步利用R Shiny框架，开发了交互式查询平台，使用户能够便捷地输入目标药物名称，自动执行上述4种方法的信号检测，并以可视化方式呈现分析结果。查询平台的开发和部署基于R语言及其相关程序包完成。

平台开发的核心思路基于以下几方面考虑：①降低技术门槛，让非编程背景的药物流行病学研究者能便捷开展ADE分析；②提供菜单式操作界面，省去复杂的代码编写环节；③建立标准化分析流程，确保结果的可重复性与可比性。开发流程分为4个阶段：需求识别阶段，通过氨氯地平分析实践发现技术壁垒；技术选型阶段，选择R Shiny框架（具备费用低、门槛低、操作友好的特点）并集成Deepseek AI辅助工具；协作开发阶段，由多位研究者共同测试，优化界面设计与输出布局；验证完善阶段，以氨氯地平为标准案例，验证平台功能的准确性和稳定性。平台的技术架构采用模块化设计，包括数据预处理模块、信号检测算法库（采用ROR法、MHRA法、BCPNN法、MGPS法）、结果可视化模块和用户交互界面。AI技术主要用于辅助代码生成、优化界面设计和标准化输出格式，显著提高了开发效率。

2 结果

2.1 氨氯地平ADE报告的基本信息

从FAERS数据库检索到51 166份首要怀疑药物为氨氯地平的ADE报告。近十年氨氯地平的ADE报告数呈现波动上升趋势，其年平均ADE报告数为4 331例，见图1。ADR报告涉及的女性患者（49.0%）多于男性患者（37.4%）。年龄主要集中在18~64岁的成年人（31.9%），18岁以下的青少年报告较少（2.3%）。报告数最多的国家为美国（35.2%），其次是英国（17.2%）和加拿大（6.2%）。在临床结局中，最常报告的严重后果是其他严重医疗事件（35.5%），其次是住院治疗（24.1%）和死亡（12.3%）。上报人员主要为消费者（33.2%），其次为医生（27.5%）和专业保健人员（12.4%），见表1。

• 
  图1 近十年氨氯地平的ADE报告数

  Figure 1.Number of amlodipine ADE reported in the last decade

  

• 
  表格1 氨氯地平相关ADE报告的基础信息

  Table 1.Basic information on ADE of amlodipine

  

2.2 信号挖掘结果

氨氯地平的相关ADE共涉及27个SOC，其报告的信号强度见表2。其中，血管与淋巴管类疾病、心脏器官疾病和耳及迷路类疾病等信号排名较高。值得注意的是，耳及迷路类疾病层级的ADE信号未被药品说明书记载。

• 
  表格2 氨氯地平在SOC层级的ADE信号强度

  Table 2.Signal intensity of ADE at the SOC level for amlodipine

  

为进一步研究氨氯地平的安全性，检查与该药物的使用显著相关的PT。根据EBGM₀₅排序筛选出PT层级信号强度前30位的ADE，见表3。其中，牙龈肥大和分布性休克等与药品说明书记载的一致。此外，还发现多个未被药品说明书记载的潜在ADE信号，共筛选出信号强度前20 位的PT见表4，包括非心源性肺水肿、Harlequin 综合征、低胰岛素血症等。

• 
  表格3 氨氯地平相关ADE信号强度排名前30位的PT（按EBGM05排序）

  Table 3.Top 30 PTs in terms of signal strength of ADE reports related to amlodipine (sorted by EBGM05)

  

• 
  表格4 氨氯地平相关ADE信号强度排名前20位未被药品说明书记载的PT（按EBGM05排序）

  Table 4.The top 20 PTs related to ADE signal strength not mentioned in the specification of amlodipine(sorted by EBGM05)

  

2.3 数智化查询平台构建

在数智化查询平台开发过程中，首先通过AI技术辅助编写了标准化的数据处理模块，实现对FAERS数据库原始数据的自动化预处理。随后，将为氨氯地平开发的信号挖掘算法（包括ROR法、MHRA法、BCPNN法和MGPS法）通过AI技术辅助重构为通用型分析模块，使其能够适用于任意用户指定的药物。针对统计分析结果的可视化展示，同样利用AI技术辅助开发了多种交互式图表组件，包括SOC和PT层级的信号强度热图、时间趋势分析图、人口学特征分布图等。该软件已借助RStudio平台完成部署，目前支持29种药物的ADE信息挖掘分析，后续将持续更新更多的药物内容，用户可通过链接使用：https://qiuqiuqiu.shinyapps.io/drug_platform/。

数智化查询平台开发效果评价结果显示：①在技术指标方面，相比传统开发方法，数智化查询平台开发周期缩短，核心算法模块实现复用，系统支持并发查询且响应时间稳定；②在实用性指标方面，数智化查询平台实现了无编程背景用户的友好操作，分析结果与传统方法的一致，涵盖了从数据处理到结果可视化的完整流程；③在扩展性指标方面，目前已支持29种药物的ADE分析，具备向其他药物快速扩展的能力。

用户界面设计采用直观的菜单式操作，主要功能模块包括：药物选择界面（提供全面的药品列表）、分析参数配置（可选择不同的信号检测方法）、结果展示界面（包括信号强度热图、时间趋势图、人口学分布图等）和报告生成功能。数智化查询平台部署在云端，用户可通过网络链接直接使用，无需安装任何软件。

3 讨论

本研究一方面基于FAERS数据库，采用多种比例失衡法对氨氯地平的ADE信号进行挖掘，为临床安全用药提供实证依据；另一方面，利用Deepseek模型辅助开发，以氨氯地平ADE分析代码为蓝本，构建一个通用型ADE信号智能化查询平台，实现对多种药物安全性的便捷查询与分析。AI技术辅助代码生成和应用开发，不仅提高了ADE分析的效率，也为药物警戒系统的快速构建提供了可推广的技术方案。通过分析51 166份氨氯地平相关ADE报告，发现了若干未被药品说明书记载的潜在风险信号，为临床用药安全性提供了新的证据支持。

3.1 氨氯地平安全性发现的临床意义

在PT层级信号强度排序前30位的ADE中，牙龈肥大（EBGM₀₅=91.83）和分布性休克（EBGM₀₅=68.62）等ADE信号与药品说明书、现有研究记载的一致，证实本研究数据的可靠性[24-26]。在SOC层级，血管与淋巴管类疾病和心脏器官疾病的信号强度最高，与氨氯地平作为钙通道阻滞剂的药理作用相一致。值得注意的是，耳及迷路类疾病在SOC层级信号强度排第3位，但均未被现有的药品说明书记载，提示临床医师需关注接受氨氯地平治疗的患者耳部症状的监测，尤其是长期用药者。

在PT层级，非心源性肺水肿（EBGM₀₅=91.17）是信号强度最强的ADE之一。一项前瞻性队列研究[27]表明，接受大剂量氨氯地平治疗的患者发生非心源性肺水肿的风险显著增加，氨氯地平中毒患者的非心源性肺水肿发生率可达47%。此外，本研究还发现了多个未被药品说明书记载的潜在ADE信号，如Harlequin综合征（EBGM₀₅=80.07）和低胰岛素血症（EBGM₀₅=79.44）等，尽管其相关生物学机制尚未明确，但由于其信号强度较高，需引起警惕。值得注意的是，SOC层级皮肤及皮下组织类疾病也出现了新的PT，如慢性色素性紫癜（EBGM₀₅=45.54）[28]。

3.2 AI技术辅助药物警戒平台开发的价值与展望

本研究的平台开发思路源于实际需求。在对氨氯地平ADE报告进行分析时，研究团队发现即使对于具备统计学背景的研究者而言，FAERS数据库的分析也较为繁琐。这一痛点促使本课题组着手思考如何构建一款操作简便、功能完备的查询工具，以便让更多研究者能够便捷地开展ADE信号挖掘工作。

从实用性角度来看，该平台有效解决了药物警戒研究中的关键问题：通过菜单式操作界面降低了技术门槛，凭借标准化的分析流程大幅提升了工作效率，依托统一的算法实现确保了结果的可比性，而固化的分析流程保障了研究的可重复性。从研究意义层面而言，本平台具有多重价值：建立了基于AI技术辅助的药物警戒工具开发范式，为药物流行病学研究者提供了实用的分析工具，降低了药物警戒研究的学习门槛，进而间接促进了药物使用安全性的提升。

从技术层面看，AI技术辅助辅助药物警戒平台开发不仅提高了代码质量和一致性，还增强了系统的可扩展性和适应性。通过利用AI技术重构分析代码，实现了对多种药物的通用分析能力，使平台能够根据用户需求灵活调整分析参数和展示方式。从应用层面看，数智化平台的构建为临床医师、药师和监管机构提供了便捷的药物安全信息获取途径。用户无需专业的数据分析背景，即可通过简单操作获取ADE的详细信息，包括信号强度、时间趋势和人口学分布等，从而为临床用药决策提供更全面的参考。

未来，该平台可进一步拓展功能：①整合多源数据，如电子病历、文献数据等，提高信号检测的全面性；②引入更复杂的统计模型，如深度学习算法，提升罕见和复杂信号的检测能力；③开发药物相互作用分析模块，评估联合用药的安全风险。这些功能扩展同样可通过AI技术辅助方式快速实现，进一步发挥AI技术在药物警戒领域的支持作用。

3.3 局限性

本研究仍存在一些局限性：①FAERS数据库属于自发呈报系统，存在报告不完整和偏倚问题，如严重ADE更易上报，导致报告偏倚；②检测到的ADE信号仅提示统计学关联，尚需通过前瞻性研究验证其因果关系。此外，尽管AI技术辅助提高了开发效率，但对于复杂的数据处理和分析逻辑，仍需专业人员进行验证和调整，以确保结果的准确性和可靠性。

尽管本研究目前专注于基于FAERS数据库的方法学构建，但已将多源数据整合纳入平台的中长期发展规划。多源数据整合面临的主要技术挑战体现在数据标准化、质量控制、算法适配和计算性能等方面。除扩展数据源外，平台功能也将持续升级：引入机器学习等先进的信号检测方法；增设药物相互作用、个体化风险评估等功能模块；利用自然语言处理技术自动解析医学文献；根据用户需求优化界面与功能。

综上，本研究基于FAERS数据库对氨氯地平的ADE信号进行挖掘，发现了多个潜在的安全风险信号，特别是在耳及迷路类疾病、呼吸系统、胸及纵隔疾病、精神病类疾病等方面。临床使用氨氯地平前应做好患者用药风险评估，除关注常见ADE外，还应警惕这些新发现的潜在风险。借助AI技术辅助开发，本研究成功构建了通用型ADE查询平台，实现了从数据处理到信号挖掘的全流程自动化。该平台不仅提高了药物警戒工作的效率，也为临床医师提供了便捷的药物安全信息参考工具。AI技术辅助开发的方法显著降低了专业门槛和开发成本，为药物警戒系统的广泛推广提供了可行途径，对提升药物使用安全性监测水平具有重要实践意义。

利益冲突声明：作者声明本研究不存在任何经济或非经济利益冲突。

1.唐尚锋, 黄阳珍, 潘阳阳, 等. 高血压基层医防融合服务规范 [J]. 中国全科医学, 2025, 28(25): 3089-3095. [Tang SF, Huang YZ, Pan YY, et al. Specification for the integration of healthcare and prevention services in hypertension at the primary level[J]. Chinese General Practice, 2025, 28(25): 3089-3095.] DOI: 10.12114/j.issn.1007-9572.2024.0414.

2.Mills KT, Bundy JD, Kelly TN, et al. Global disparities of hypertension prevalence and control: a systematic analysis of population-based studies from 90 countries[J]. Circulation, 2016, 134(6): 441-450. DOI: 10.1161/CIRCULATIONAHA. 115.018912.

3.Chen R, Dharmarajan K, Kulkarni VT, et al. Most important outcomes research papers on hypertension[J]. Circ Cardiovasc Qual Outcomes, 2013, 6(4): e26-e35. DOI: 10.1161/CIRCOUTCOMES.113.000424.

4.Bulsara KG, Patel P, Cassagnol M. Amlodipine[EB/OL]. (2024-04-21) [2025-02-01]. https://www.ncbi.nlm.nih.gov/books/NBK519508/.

5.Wang JG, Palmer BF, Vogel Anderson K, et al. Amlodipine in the current management of hypertension[J]. J Clin Hypertens (Greenwich), 2023, 25(9): 801-807. DOI: 10.1111/jch.14709.

6.Rabah F, El-Naggari M, Al-Nabhani D. Amlodipine: the double edged sword[J]. J Paediatr Child Health, 2017, 53(6): 540-542. DOI: 10.1111/jpc.13517.

7.Sridharan K, Sivaramakrishnan G. Amlodipine-associated angioedema: an integrated pharmacovigilance assessment using disproportionality and interaction analysis and case reviews[J]. J Clin Med, 2025, 14(4): 1097. DOI: 10.3390/jcm14041097.

8.Fogari R, Zoppi A, Derosa G, et al. Effect of valsartan addition to amlodipine on ankle oedema and subcutaneous tissue pressure in hypertensive patients[J]. J Hum Hypertens, 2007, 21(3): 220-224. DOI: 10.1038/sj.jhh.1002140.

9.Vukadinović D, Scholz SS, Messerli FH, et al. Peripheral edema and headache associated with amlodipine treatment: a Meta-analysis of randomized, placebo-controlled trials[J]. J Hypertens, 2019, 37(10): 2093-2103. DOI: 10.1097/HJH. 0000000000002145.

10.Joshi S, Bansal S. A rare case report of amlodipine-induced gingival enlargement and review of its pathogenesis[J]. Case Rep Dent, 2013, 2013: 138248. DOI: 10.1155/2013/138248.

11.Varghese G, Madi L, Ghannam M, et al. A possible increase in liver enzymes due to amlodipine: a case report[J]. SAGE Open Med Case Rep, 2020, 8: 2050313X20917822. DOI: 10.1177/2050313X20917822.

12.Harpaz R, DuMouchel W, LePendu P, et al. Performance of pharmacovigilance signal-detection algorithms for the FDA adverse event reporting system[J]. Clin Pharmacol Ther, 2013, 93(6): 539-546. DOI: 10.1038/clpt.2013.24.

13.Doron G, Genway S, Roberts M, et al. Generative AI: driving productivity and scientific breakthroughs in pharmaceutical R&D[J]. Drug Discov Today, 2025, 30(1): 104272. DOI: 10.1016/j.drudis.2024.104272.

14.侯永芳, 任经天, 江静, 等. 药品不良反应信号检测方法研究 [J]. 药物流行病学杂志, 2010, 19(7): 369-372. [Hou YF, Ren JT, Jiang J, et al. Study of adverse drug reaction signal detection[J]. Chinese Journal of Pharmacoepidemiology, 2010, 19(7): 369-372.] DOI: 10.19960/j.cnki.issn1005-0698.2010.07.001.

15.罗宝章, 钱轶峰, 叶小飞, 等. 药物不良反应信号检测方法的现状与展望[J]. 药学服务与研究, 2009, 9(4): 255-260. [Luo BZ, Qian YF, Ye XF, et al. Present status and future prospect of signal detection methods for adverse drug reaction[J]. Pharmaceutical Care and Research, 2009, 9(4): 255-260.] DOI: 10.3969/j.issn.1671-2838.2009.04.018.

16.Sakaeda T, Tamon A, Kadoyama K, et al. Data mining of the public version of the FDA Adverse Event Reporting System[J]. Int J Med Sci, 2013, 10(7): 796-803. DOI: 10.7150/ijms.6048.

17.Evans SJ, Waller PC, Davis S. Use of proportional reporting ratios (PRRs) for signal generation from spontaneous adverse drug reaction reports[J]. Pharmacoepidemiol Drug Saf, 2001, 10(6): 483-486. DOI: 10.1002/pds.677.

18.van Puijenbroek EP, Bate A, Leufkens HG, et al. A comparison of measures of disproportionality for signal detection in spontaneous reporting systems for adverse drug reactions[J]. Pharmacoepidemiol Drug Saf, 2002, 11(1): 3-10. DOI: 10.1002/pds.668.

19.Stricker BH, Tijssen JG. Tijssen, serum sickness-like reactions to cefaclor[J]. J Clin Epidemiol, 1992, 45(10): 1177-1184. DOI: 10.1016/0895-4356(92)90158-j.

20.van Puijenbroek EP, Bate A, Leufkens HG, et al. A comparison of measures of disproportionality for signal detection in spontaneous reporting systems for adverse drug reactions[J]. Pharmacoepidemiol Drug Saf, 2002, 11(1): 3-10. DOI: 10.1002/pds.668.

21.Bate A, Lindquist M, Edwards IR, et al. A Bayesian neural network method for adverse drug reaction signal generation[J]. Eur J Clin Pharmacol, 1998, 54(4): 315-321. DOI: 10.1007/s002280050466.

22.Szarfman A, Machado SG, O'Neill RT. Use of screening algorithms and computer systems to efficiently signal higher-than-expected combinations of drugs and events in the US FDA's spontaneous reports database[J]. Drug Saf, 2002, 25(6): 381-392. DOI: 10.2165/00002018-200225060-00001.

23.Almenoff JS, LaCroix KK, Yuen NA, et al. Comparative performance of two quantitative safety signalling methods: implications for use in a pharmacovigilance department[J]. Drug Saf, 2006, 29(10): 875-887. DOI: 10.2165/00002018-200629100-00005.

24.Yolcu A, Aydogdu I. Amlodipine-induced gingival hypertrophy[J]. Eur J Intern Med, 2020, 78: 127-128. DOI: 10.1016/j.ejim.2020. 06.023.

25.Rajaram Mohan K, Fenn SM, Pethagounder Thangavelu R, et al. Amlodipine-induced gingival hypertrophy: a case report[J]. Cureus, 2023, 15(2): e35540. DOI: 10.7759/cureus.35540.

26.Wang C, Zhu Q, Tan D, et al. Acute high-output heart failure with pulmonary hypertension and severe liver injury caused by amlodipine poisoning: a case report[J]. Cardiovasc Toxicol, 2024, 24(5): 513-518. DOI: 10.1007/s12012-024-09849-2.

27.Lindeman E, Ålebring J, Johansson A, et al. The unknown known: non-cardiogenic pulmonary edema in amlodipine poisoning, a cohort study[J]. Clin Toxicol (Phila), 2020, 58(11): 1042-1049. DOI: 10.1080/15563650.2020.1725034.

28.Sheoran A, Mahto SK, Verma P, et al. Leukocytoclastic vasculitis: an uncommon adverse effect of a common drug[J]. J Family Med Prim Care, 2019, 8(6): 2137-2139. DOI: 10.4103/jfmpc.jfmpc_338_19.