CN108538396A - 一种基于混合模型的药品不良反应遮蔽效应消除方法 - Google Patents
一种基于混合模型的药品不良反应遮蔽效应消除方法 Download PDFInfo
- Publication number
- CN108538396A CN108538396A CN201810309833.4A CN201810309833A CN108538396A CN 108538396 A CN108538396 A CN 108538396A CN 201810309833 A CN201810309833 A CN 201810309833A CN 108538396 A CN108538396 A CN 108538396A
- Authority
- CN
- China
- Prior art keywords
- data
- drug
- adverse
- matrix
- reaction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 206010061623 Adverse drug reaction Diseases 0.000 title claims abstract description 43
- 208000030453 Drug-Related Side Effects and Adverse reaction Diseases 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000000694 effects Effects 0.000 title claims abstract description 22
- 239000003814 drug Substances 0.000 claims abstract description 45
- 229940079593 drug Drugs 0.000 claims abstract description 36
- 238000001514 detection method Methods 0.000 claims abstract description 26
- 238000012216 screening Methods 0.000 claims abstract description 25
- 230000000873 masking effect Effects 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 61
- 206010067484 Adverse reaction Diseases 0.000 claims description 47
- 230000006838 adverse reaction Effects 0.000 claims description 33
- 238000007477 logistic regression Methods 0.000 claims description 22
- 230000004044 response Effects 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 10
- 230000001788 irregular Effects 0.000 claims description 6
- 238000005648 named reaction Methods 0.000 claims description 4
- 230000002411 adverse Effects 0.000 claims description 3
- 230000008602 contraction Effects 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 2
- 239000002131 composite material Substances 0.000 abstract 1
- 150000001875 compounds Chemical class 0.000 abstract 1
- 230000008030 elimination Effects 0.000 description 5
- 238000003379 elimination reaction Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000006757 chemical reactions by type Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 206010011224 Cough Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 208000002173 dizziness Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007430 reference method Methods 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Debugging And Monitoring (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种基于混合模型的药品不良反应遮蔽效应消除方法，以中国药品不良反应(ADR)报告为基础，首先采用具有遮蔽消减作用的lasso logistic回归法对ADR数据库中关联度较小的药品‑不良反应组合进行过滤，留下关联度较大的组合作为首轮数据筛选后的数据集；其次复合运用移除报告法剔除报告数小于等于4的组合，将余下的组合作为二度筛选后的新数据集；最后使用传统的IC算法对新的数据集重新进行信号检测，以期最大程度地消减遮蔽效应。该复合型消减模型可以有效地提高遮蔽效应消减率，使药品不良反应信号检测工作更可靠、更准确，从而进一步保障人们用药安全，并为相关决策提供参考。
Description
技术领域
本发明涉及药品不良反应信号检测领域，尤其涉及一种基于混合模型的药品不良反应遮蔽效应消除方法。
背景技术
国际上传统的药品不良反应(ADR)信号检测方法主要基于不相称测定理论。不相称测定理论常用的方法有PRR、ROR、MHRA、IC等。但是由于呈发报告的数据庞杂多样，各类药品不良反应数据相互混杂，再加之患者往往是联合用药而非单一用药，传统的药品不良反应信号检测方法往往会受到一定程度的干扰，导致许多假阳性和假阴性的结果产生。此外，由于自发呈报数据库中许多常规不良反应占比很大，比如“咳嗽”，“头昏”等，而传统的药品不良反应信号检测方法本身多为利用观测值与预期值的相对值从数据库中“筛选”出与选定的背景不相称的可疑报告，从而产生可疑信号，但也因此会忽略与背景相称的有价值的假阴性信号，造成这些信号隐匿于背景中而不能及时引起关注，从而形成数据的遮蔽效应。遮蔽效应使得数据挖掘或研究的结果往往存在一定程度的失真性，从而影响了指导安全用药的相关决策。
因此，如何减少和消除药品不良反应信号检测中遮蔽效应的影响，成为目前科研、卫生等相关部门日益重视的重要课题。
发明内容
本发明所要解决的技术问题是针对背景技术中所涉及到的缺陷，提供一种基于混合模型的药品不良反应遮蔽效应消除方法，为ADR信号检测提供参考方法。
本发明为解决上述技术问题采用以下技术方案：
一种基于混合模型的药品不良反应遮蔽效应消除方法，包括以下步骤：
步骤1)，获取原始ADR数据库，并进行数据处理：其中原始ADR数据库为国家中心的ADR数据；数据的处理包括对原始ADR数据库进行规整以及对关键数据项进行拆分和组合；
步骤2)，矩阵生成：利用visual ProFox工具导入经过步骤1处理后的所有数据，并且生成用于lasso logistic回归分析的0-1矩阵，该矩阵包括以药品为特征的自变量矩阵X和对应于不良反应的响应矩阵Y；
步骤3)，初步筛选：使用lasso logistic回归模型对自变量矩阵X和响应矩阵Y进行分析，得到βj大于0的系数项所对应的药品-不良反应组合做为首轮筛选后的数据集；
步骤4)，二次筛选：使用移除报告法将首轮筛选后的数据集中小于等于4例报告的组合剔除，余下的组合构成二次筛选后的新数据集；
步骤5)，数据的信号检测：通过IC信号检测方法对新数据集重新进行信号检测，即得到最终的信号集，完成混合模型消除遮蔽效应的任务。
作为本发明一种基于混合模型的药品不良反应遮蔽效应消除方法进一步的优化方案，所述步骤1)的详细步骤如下：
步骤1.1)，获取原始ADR数据库，原始ADR数据从国家药品不良反应监测中心获得；
步骤1.2)，数据处理；
步骤1.2.1)，原始数据可能存在缺项、重复、药品名称和不良反应名称名称不规范等问题，先将数据中的缺项进行删除，重复项做唯一化处理，将不规范的名称重新规范化；
步骤1.2.2)，原始数据中会存在一份不良反应病例报告中有n个怀疑药物和m种不良事件，因而需将数据拆分成n*m个药品-不良反应组合，以提高对数据的利用率。
作为本发明一种基于混合模型的药品不良反应遮蔽效应消除方法进一步的优化方案，所述步骤2)的详细步骤如下：
步骤2.1)，构造自变量矩阵X；
其中，xij为自变量矩阵X中位于第i行第j列的项，i＝1,2，……N；j＝1,2,……p；即X为N*p的矩阵；N为经过步骤1处理后的数据库中报告的总数量；p是经过数据拆分后的数据库中药品的种类；xij表示第i份报告中是否包含第j种药品，如若包含则xij置为1，否则置为0；
步骤2.2)，构造响应矩阵Y；
其中，yru为自变量矩阵Y中位于第r行第u列的项，r＝1,2，……N；u＝1,2,……s；N与步骤2.1)中的N值相同；s是经过数据拆分后的数据库中不良反应的种类；yru表示第r份报告中是否报导第u种不良反应，如若报导则yru置为1，否则置为0；其中自变量矩阵X与响应矩阵Y的同一行对应同一份报告。
作为本发明一种基于混合模型的药品不良反应遮蔽效应消除方法进一步的优化方案，所述步骤3)的详细步骤如下：
步骤3.1)，lasso logistic回归模型构造；
对于每种不良反应k，均构建一个lasso logistic回归模型，共构建s个lassologistic回归模型；其中，在第k个模型中，N为经过步骤1处理后的数据库中报告的总数量，p代表数据库中的药物种数，βj为药物j和不良反应k的关联系数，β0为截距；xij为自变量矩阵X中位于第i行第j列的项，即第j个药物是否存在于第i份报告中；yi为响应矩阵Y中的第k列的第i行，即第k个不良反应在第i份报告中是否出现；为平方损失函数，λ为预设的收缩正则化参数，λ通过交叉验证可以确定；用以控制lasso logistic回归模型的复杂度；
步骤3.2)，数据集初步筛选；
使用MATLAB工具对s个lasso logistic回归模型求解得到相应的系数βj，得到βj大于0的系数项所对应的药品-不良反应组合集合，并以该集合做为首轮筛选后的数据集，完成数据库的初步筛选任务。
作为本发明一种基于混合模型的药品不良反应遮蔽效应消除方法进一步的优化方案，所述步骤5)的详细步骤如下：
表1.经典的四格表
在新的数据集的基础上，使用IC算法进行信号检测，IC算法如下：
令ci＝A，cj＝A+B，ck＝A+C，N＝A+B+C+D，λ＝1，α＝β＝1，δ＝η＝2，cj＝A+B，ck＝A+C，N＝A+B+C+D则有
γ＝λ(N+δ)(N+η)/[(cj+α)(ck+β)]
E(IC)＝log2[(ci+λ)(N+δ)(N+η)/((N+γ)(cj+α)(ck+β))]＝log2γ(ci+λ)/(N+γ)
V(IC)＝{(N-ci+γ-λ)/[(ci+λ)(1+N+γ)]+(N-cj+δ-α)/[(cj+α)(1+N+δ)]+(N-ck+η-β)/[(cj+β)(1+N+η)]}/(log2)2
其中IC＝E(IC)，SD＝V(IC)，IC值的下限为IC-2SD，上限为IC+2SD；信号检测评价标准为IC-2SD>0，则产生信号；其中的A、B、C和D的值基于表1的经典四格表，将A、B、C、D的值代入IC算法中计算出IC值、SD值，得到最终的信号集，完成混合模型消除遮蔽效应的任务。
与现有技术相比，本发明的有益效果为：本发明以中国ADR报告数据为基础，研究ADR信号检测过程中的数据遮蔽问题，设计了基于lasso logistic回归、移除报告和IC算法的混合模型，提升了不良反应信号的检测性能，削弱了数据遮蔽的影响，为我国ADR信号检测提供了一种参考。
附图说明
图1是本发明的流程示意图；
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明：
如图1所示，本发明公开了一种基于混合模型的药品不良反应遮蔽效应消除方法，包括以下步骤：
步骤1)，获取原始ADR数据库，并进行数据处理；
步骤1.1)，获取原始ADR数据库；
从国家药品不良反应监测中心获得ADR报告数据。
步骤1.2)，数据处理；
步骤1.2.1)，原始数据可能存在缺项、重复、药品名称和不良反应名称不规范等问题，先将数据中的缺项进行删除，重复项做唯一化处理，将不规范的名称重新规范化；删除数据中药品名称或不良反应名称为“不详”或为空值的记录。同时为了保证同一份报告在数据样本中的唯一性，使用数据库工具删除报告编号及其他属性完全重复的记录。
步骤1.2.2)，原始数据中会存在一份病例报告中有n个怀疑药物和m种不良事件同时报导，因而需将数据拆分成n*m个药品-不良反应组合，即n*m条新纪录，使得在数据库中的每条记录中，药品-不良反应组合都是一对一的关系，以提高对数据的利用率。经过数据拆分处理后得到的数据集合为Data1。汇总Data1中的药品种类p，不良反应种类s，以及报告编号的总数量N(Data1中的多条记录可能是由原始数据中的同一份报告拆分而来，故以每条记录的报告编号来判定报告的总数量N)。此外，统计各个药品-不良反应组合在Data1中出现的频数A，以便步骤5中基于经典四格表的IC算法的实现。
步骤2)，矩阵生成：生成用于lasso logistic回归拟合的0-1矩阵，该矩阵包括以药品为特征的自变量矩阵X和对应于不良反应的响应矩阵Y；
步骤2.1)，构造自变量矩阵X；
将步骤1处理后的数据集Data1中的药品-不良反应信息以0-1矩阵的方式进行存储。自变量矩阵X的构造为：以报告编号作为矩阵X“行”的划分标准，以药品种类作为“列”的划分标准，X为N×p的矩阵。其中，xij为自变量矩阵X中位于第i行第j列的项，i＝1,2，……N；j＝1,2,……p；N、p分别为Data1中报告的总数量和药品的种类；xij表示第i份报告中是否包含第j种药品，如若包含则xij置为1，否则置为0；若同一份报告i对应多份记录，即对应多种药品-不良反应组合，则在矩阵X的第i行相应的一个或多个药品处均置为1。
步骤2.2)，构造响应矩阵Y；
响应矩阵Y的构造与步骤2.1中X的构造类似，响应矩阵Y的构造为：同样以报告编号作为矩阵Y“行”的划分标准，但以不良反应种类作为“列”的划分标准，Y为N×s的矩阵。其中，yru为响应矩阵Y中位于第r行第u列的项，r＝1,2，……N；u＝1,2,……s；N、s分别为Data1中报告的总数量和不良反应的种类；yru表示第r份报告中是否报导第u种不良反应，如若报导则yru置为1，否则置为0；其中自变量矩阵X与响应矩阵Y的同一行分别对应同一份报告的药品与不良反应。当报告i对应多份记录，即多种药品-不良反应组合，则在矩阵Y的第i行相应的一个或多个不良反应处均置1。
步骤3)，初步筛选：使用lasso logistic回归模型对自变量矩阵X和响应矩阵Y进行分析，得到回归系数βj大于0的系数项所对应的药品-不良反应组合做为首轮筛选后的数据集；
步骤3.1)，lasso logistic回归模型构造；
对于每种不良反应k，其中1<＝k<＝s，且为整数，均构建一个lasso logistic回归模型，共构建s个lasso logistic回归模型；对于第k个模型，借助于MATLAB工具中的load函数获取自变量矩阵X和响应矩阵yk，其中yk为响应矩阵Y的第k列，用N×1的向量表示；使用MATLAB工具中的lasso函数对X与yk进行lasso logistic回归分析，lasso函数的输入由自变量矩阵X和响应矩阵yk共同组成，即B＝lasso(X，yk)，输出为求解的回归系数βj，1<＝j<＝p，B为p×1的向量；其中，上式(1)中N、p均为步骤1中汇总的值，βj为药物j和不良反应k的关联系数，β0为截距；xij为自变量矩阵X中位于第i行第j列的项，即第j个药物是否存在于第i份报告中；yi为响应矩阵yk的第i行，即第k个不良反应在第i份报告中是否出现。为平方损失函数；λ为收缩正则化参数，在MATLAB中可通过交叉验证获得最佳的λ参数值；用以控制lasso logistic回归模型的复杂度；当求出第k个模型的B向量后，再使用for循环按从1到s的顺序，循环求解输出s个lasso logistic回归模型的B集合，以挖掘出p个药品与s个不良反应之间的关系。
步骤3.2)，数据集初步筛选；
在步骤3.1中求解的s个B的集合中，选出每个B向量中βj大于0的系数项所对应的药品j-不良反应k组合，并在Data1中挑选出这些药品-不良反应组合及其频数A构成首轮筛选后的数据集Data2，完成数据库的初步筛选任务。
步骤4)，二次筛选：将Data2中频数A小于等于4的组合剔除，余下的组合其频数A构成二次筛选后的新数据集Data3；
步骤5)，数据的信号检测：通过IC信号检测方法对新数据集重新进行信号检测，即得到最终的信号集，完成混合模型消除遮蔽效应的任务。
表1.经典的四格表
在新的数据集的基础上，使用IC算法进行信号检测，IC算法如下：
令ci＝A，cj＝A+B，ck＝A+C，N＝A+B+C+D，λ＝1，α＝β＝1，δ＝η＝2，cj＝A+B，ck＝A+C，N＝A+B+C+D则有
γ＝λ(N+δ)(N+η)/[(cj+α)(ck+β)]
E(IC)＝log2[(ci+λ)(N+δ)(N+η)/((N+γ)(cj+α)(ck+β))]＝log2γ(ci+λ)/(N+γ)
V(IC)＝{(N-ci+γ-λ)/[(ci+λ)(1+N+γ)]+(N-cj+δ-α)/[(cj+α)(1+N+δ)]+(N-ck+η-β)/[(cj+β)(1+N+η)]}/(log2)2
其中IC＝E(IC)，SD＝V(IC)，IC值的下限为IC-2SD，上限为IC+2SD；信号检测评价标准为IC-2SD>0，则产生信号；其中的A为步骤4中的频数A，而B、C和D的值均基于新数据集Data3和经典四格表，并且重新进行统计的值。将统计的A、B、C、D的值代入IC算法中计算出IC值、SD值，得到最终的信号集，完成混合模型消除遮蔽效应的任务。
以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应该涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书中的保护范围为准。
本技术领域技术人员可以理解的是，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于混合模型的药品不良反应遮蔽效应消除方法，其特征在于，包括以下步骤：
步骤1)，获取原始ADR数据库，并进行数据处理：其中原始ADR数据库为国家中心的ADR数据；数据的处理包括对原始ADR数据库进行规整以及对关键数据项进行拆分和组合；
步骤2)，矩阵生成：利用数据库编程软件生成用于lasso logistic回归分析的0-1矩阵，该矩阵包括以药品为特征的自变量矩阵X和对应于不良反应的响应矩阵Y；
步骤3)，初步筛选：使用lasso logistic回归模型对自变量矩阵X和响应矩阵Y进行分析，得到回归系数βj大于0的系数项所对应的药品-不良反应组合作为首轮筛选后的数据集；
步骤4)，二次筛选：使用移除报告法将首轮筛选后的数据集中小于等于4例报告的组合剔除，余下的组合构成二次筛选后的新数据集；
步骤5)，数据的信号检测：通过IC信号检测方法对新数据集重新进行信号检测，即得到最终的信号集，完成混合模型消除遮蔽效应的任务。
2.根据权利要求1所述的基于混合模型的药品不良反应遮蔽效应消除方法，其特征在于，所述步骤1)的详细步骤如下：
步骤1.1)，获取原始ADR数据库，原始ADR数据从国家药品不良反应监测中心获得；
步骤1.2)，数据处理；
步骤1.2.1)，原始数据可能存在缺项、重复、药品名称和不良反应名称名称不规范等问题，先将数据中的缺项进行删除，重复项做唯一化处理，将不规范的名称重新规范化；
步骤1.2.2)，原始数据中会存在一份不良反应病例报告中有n个怀疑药物和m种不良事件，因而需将数据拆分成n*m个药品-不良反应组合，以提高对数据的利用率。
3.根据权利要求1所述的基于混合模型的药品不良反应遮蔽效应消除方法，其特征在于，所述步骤2)的详细步骤如下：
步骤2.1)，构造自变量矩阵X；
其中，xij为自变量矩阵X中位于第i行第j列的项，i＝1,2，……N；j＝1,2,……p；即X为N*p的矩阵；N为经过步骤1处理后的数据库中报告的总数量；p是经过数据拆分后的数据库中药品的种类；xij表示第i份报告中是否包含第j种药品，如若包含则xij置为1，否则置为0；
步骤2.2)，构造响应矩阵Y；
其中，yru为自变量矩阵Y中位于第r行第u列的项，r＝1,2，……N；u＝1,2,……s；N与步骤2.1)中的N值相同；s是经过数据拆分后的数据库中不良反应的种类；yru表示第r份报告中是否报导第u种不良反应，如若报导则yru置为1，否则置为0；其中自变量矩阵X与响应矩阵Y的同一行对应同一份报告。
4.根据权利要求1所述的基于混合模型的药品不良反应遮蔽效应消除方法，其特征在于，所述步骤3)的详细步骤如下：
步骤3.1)，lasso logistic回归模型构造；
对于每种不良反应k，均构建一个lasso logistic回归模型，共构建s个lassologistic回归模型；其中，在第k个模型中，N为经过步骤1处理后的数据库中报告的总数量，p代表数据库中的药物种数，βj为药物j和不良反应k的关联系数，β0为截距；xij为自变量矩阵X中位于第i行第j列的项，即第j个药物是否存在于第i份报告中；yi为响应矩阵Y中的第k列的第i行，即第k个不良反应在第i份报告中是否出现；为平方损失函数，λ为预设的收缩正则化参数，λ通过交叉验证可以确定；用以控制lasso logistic回归模型的复杂度；
步骤3.2)，数据集初步筛选；
使用MATLAB工具对s个lasso logistic回归模型求解得到相应的系数βj，得到βj大于0的系数项所对应的药品不良反应组合集合，并以该集合做为首轮筛选后的数据集，完成数据库的初步筛选任务。
5.根据权利要求1所述的基于混合模型的药品不良反应遮蔽效应消除方法，其特征在于，所述步骤5)的详细步骤如下：
在新的数据集的基础上，使用IC算法进行信号检测，IC算法如下：
令ci＝A，cj＝A+B，ck＝A+C，N＝A+B+C+D，λ＝1，α＝β＝1，δ＝η＝2，cj＝A+B，ck＝A+C，N＝A+B+C+D则有
γ＝λ(N+δ)(N+η)/[(cj+α)(ck+β)]
E(IC)＝log2[(ci+λ)(N+δ)(N+η)/((N+γ)(cj+α)(ck+β))]＝log2γ(ci+λ)/(N+γ)
V(IC)＝{(N-ci+γ-λ)/[(ci+λ)(1+N+γ)]+(N-cj+δ-α)/[(cj+α)(1+N+δ)]+(N-ck+η-β)/[(cj+β)(1+N+η)]}/(log2)2
其中IC＝E(IC)，SD＝V(IC)，IC值的下限为IC-2SD，上限为IC+2SD；信号检测评价标准为IC-2SD>0，则产生信号；
其中，A、B、C和D表示如下：A为目标药物引起目标ADR数量，B为目标药物引起其他ADR数量，则A+B表示目标药物引起的ADR总数；C为其他药物引起目标ADR的数量，D为其他药物引起其他ADR的数量，则C+D表示其他药物引起ADR的总数。A+B+C+D表示所有药品引起所有ADR的总量；将A、B、C、D的值代入IC算法中计算出IC值、SD值，得到最终的信号集，完成混合模型消除遮蔽效应的任务。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810309833.4A CN108538396B (zh) | 2018-04-09 | 2018-04-09 | 一种基于混合模型的药品不良反应遮蔽效应消除方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810309833.4A CN108538396B (zh) | 2018-04-09 | 2018-04-09 | 一种基于混合模型的药品不良反应遮蔽效应消除方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108538396A true CN108538396A (zh) | 2018-09-14 |
| CN108538396B CN108538396B (zh) | 2021-08-06 |
Family
ID=63483323
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810309833.4A Active CN108538396B (zh) | 2018-04-09 | 2018-04-09 | 一种基于混合模型的药品不良反应遮蔽效应消除方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108538396B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112365990A (zh) * | 2020-11-19 | 2021-02-12 | 长沙市弘源心血管健康研究院 | 面向srs联合用药不良反应信号的强信号筛选方法 |
| CN112365991A (zh) * | 2020-11-19 | 2021-02-12 | 长沙市弘源心血管健康研究院 | 面向srs联合用药不良反应信号的存疑信号挖掘方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106055879A (zh) * | 2016-05-24 | 2016-10-26 | 北京千安哲信息技术有限公司 | 药物不良反应挖掘方法和系统 |
-
2018
- 2018-04-09 CN CN201810309833.4A patent/CN108538396B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106055879A (zh) * | 2016-05-24 | 2016-10-26 | 北京千安哲信息技术有限公司 | 药物不良反应挖掘方法和系统 |
Non-Patent Citations (2)
| Title |
|---|
| 候永芳等: "信号检测在药品不良反应监测系统中的应用", 《中国药物警戒》 * |
| 钱维等: "药品不良反应信号检测中混杂因素的控制方法", 《中国药物警戒》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112365990A (zh) * | 2020-11-19 | 2021-02-12 | 长沙市弘源心血管健康研究院 | 面向srs联合用药不良反应信号的强信号筛选方法 |
| CN112365991A (zh) * | 2020-11-19 | 2021-02-12 | 长沙市弘源心血管健康研究院 | 面向srs联合用药不良反应信号的存疑信号挖掘方法 |
| CN112365991B (zh) * | 2020-11-19 | 2022-05-03 | 长沙市弘源心血管健康研究院 | 面向srs联合用药不良反应信号的存疑信号挖掘方法 |
| CN112365990B (zh) * | 2020-11-19 | 2022-05-03 | 长沙市弘源心血管健康研究院 | 面向srs联合用药不良反应信号的强信号筛选方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108538396B (zh) | 2021-08-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7788203B2 (en) | System and method of accident investigation for complex situations involving numerous known and unknown factors along with their probabilistic weightings | |
| US7702605B2 (en) | System and method for deriving a hierarchical event based database optimized for privacy and security filtering | |
| US7752154B2 (en) | System and method for deriving a hierarchical event based database optimized for analysis of criminal and security information | |
| US7970759B2 (en) | System and method for deriving a hierarchical event based database optimized for pharmaceutical analysis | |
| US7853611B2 (en) | System and method for deriving a hierarchical event based database having action triggers based on inferred probabilities | |
| US7805390B2 (en) | System and method for deriving a hierarchical event based database optimized for analysis of complex accidents | |
| Kang | The prevention and handling of the missing data | |
| US7783586B2 (en) | System and method for deriving a hierarchical event based database optimized for analysis of biological systems | |
| US7805391B2 (en) | Inference of anomalous behavior of members of cohorts and associate actors related to the anomalous behavior | |
| US7792774B2 (en) | System and method for deriving a hierarchical event based database optimized for analysis of chaotic events | |
| US7788202B2 (en) | System and method for deriving a hierarchical event based database optimized for clinical applications | |
| US7917478B2 (en) | System and method for quality control in healthcare settings to continuously monitor outcomes and undesirable outcomes such as infections, re-operations, excess mortality, and readmissions | |
| US7792776B2 (en) | System and method to aid in the identification of individuals and groups with a probability of being distressed or disturbed | |
| Svolik | Which democracies will last? Coups, incumbent takeovers, and the dynamic of democratic consolidation | |
| US20050075832A1 (en) | System and method for continuous data analysis of an ongoing clinical trial | |
| Banks et al. | Comparing data mining methods on the VAERS database | |
| Green et al. | Civilian killings and disappearances during civil war in El Salvador (1980–1992) | |
| Hämmerli et al. | Conflict and cooperation in an actors' network of Chechnya based on event data | |
| CN108538396B (zh) | 一种基于混合模型的药品不良反应遮蔽效应消除方法 | |
| CN106528778A (zh) | 用户留存类数据获取方法及装置 | |
| CA2547912A1 (en) | An artificial intelligence and device for diagnosis, screening, prevention and treatment of materno-fetal conditions | |
| Pereira et al. | Arca: Mining crime patterns using association rules | |
| Djordjilović et al. | Searching for a source of difference in graphical models | |
| Al-Maqaleh et al. | An efficient algorithm for mining association rules using confident frequent itemsets | |
| Rivera | Making the best of bad data: A longitudinal analysis of elephant poaching in Africa from 2002 to 2018 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |