CN111986819B - 药物不良反应监测方法、装置、电子设备及可读存储介质 - Google Patents

药物不良反应监测方法、装置、电子设备及可读存储介质 Download PDF

Info

Publication number
CN111986819B
CN111986819B CN202010905152.1A CN202010905152A CN111986819B CN 111986819 B CN111986819 B CN 111986819B CN 202010905152 A CN202010905152 A CN 202010905152A CN 111986819 B CN111986819 B CN 111986819B
Authority
CN
China
Prior art keywords
data
medical observation
observation data
adverse reaction
adverse
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.)
Active
Application number
CN202010905152.1A
Other languages
English (en)
Other versions
CN111986819A (zh
Inventor
李海龙
张伶俐
曾力楠
万朝敏
伯贞艳
黄亮
张川
杨春松
焦雪峰
陈哲
秋莎
徐佩佩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
West China Second University Hospital of Sichuan University
Original Assignee
West China Second University Hospital of Sichuan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by West China Second University Hospital of Sichuan University filed Critical West China Second University Hospital of Sichuan University
Priority to CN202010905152.1A priority Critical patent/CN111986819B/zh
Publication of CN111986819A publication Critical patent/CN111986819A/zh
Application granted granted Critical
Publication of CN111986819B publication Critical patent/CN111986819B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • G16H70/40—ICT specially adapted for the handling or processing of medical references relating to drugs, e.g. their side effects or intended usage
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/40—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen analysis
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medicinal Chemistry (AREA)
  • Pharmacology & Pharmacy (AREA)
  • Toxicology (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明提供了一种药物不良反应监测方法、装置、电子设备及计算机可读存储介质，以解决提高树状扫描统计量在药物不良反应监测准确性的技术问题。所述药物不良反应监测方法包括：获得用于树状扫描统计量的医疗观测数据，所述医疗观测数据包含经倾向评分匹配的实验组数据与对照组数据；获得用于树状扫描统计量的树状结构数据，所述树状结构数据用于反映疾病诊断分层树状结构；使用所述医疗观测数据和树状结构数据进行树状扫描统计量从而挖掘目标药物不良反应信号。通过倾向评分匹配能够平衡实验组数据与对照组数据中的不良反应混杂影响因素，使用所述医疗观测数据和树状结构数据进行树状扫描统计量可以更为准确的挖掘目标药物不良反应信号。

Description

药物不良反应监测方法、装置、电子设备及可读存储介质
技术领域
本说明书提供的发明创造的实施例涉及医疗数据处理技术领域，具体涉及一种药物不良反应监测方法、装置、电子设备及计算机可读存储介质。
背景技术
近年来，因药品不良反应(Adverse Drug Reaction，ADR)而引起的药品安全性事件频发，开展药品上市后不良反应监测工作尤显重要。目前国内外ADR监测均以自发报告的被动监测为主。由于自发报告系统为自愿而非强制，不可避免的会出现漏报；且因缺乏整体用药人群基数，无法计算ADR的发生率，因此无法衡量发生风险并分析相应危险因素，在时效性和发掘未知信号的能力方面也存在欠缺。虽然流行病学专题调查为主的主动监测可以弥补自发报告系统的上述不足，但花费高，且费时费力，时效性较差。因此，开发快速有效的主动监测方法是当前ADR监测中的热点。
随着医疗记录电子化的不断进步和数据库系统的完善，大数据技术的信号挖掘技术的提高，以基于大规模现有电子医疗数据(如电子病历数据、医保数据、区域医疗数据等)开展ADR主动监测成为可能。电子医疗数据库具有海量的信息，自动记录了临床日常的诊疗过程，包括患者的诊断和处方医嘱、症状体征、实验室检查等信息，较好地反映了临床实践情况。利用电子医疗数据可以快速有效地识别使用某种药物的患者，不仅弥补自发报告系统无法获得分母以及流行病学专题调查花费高、时效性差的缺点，而且可以快速高效地发现和识别药品安全信号，尤其是罕见不良事件。
目前常见的基于电子医疗数据的ADR信号挖掘方法包括两类：①比例失衡方法，如贝叶斯可信区间递进神经网络法(Bayesian Confidence Propagation Neural Network，BCPNN)和泊松压缩估计法(Gamma Poisson Shrinker，GPS)等；②传统药物流行病学设计方法，如队列研究粗率的显著性检验(Crude Cohort)等。上述这些方法也存在一定局限性，如仅适用于分析需要药物治疗的不良事件，无法自动检测所有药物-事件对，多重检验增加结果假阳性等问题。
树状扫描统计量(Tree-based Scan Statistic，TreeScan)是一种基于电子医疗数据库的信号挖掘方法，该方法能够同时对大量的药物-事件对进行挖掘，在调整多重检验问题后找出有统计显著性的ADR信号，从而为ADR的监测和预警提供信号依据，因此，TreeScan在一定程度上克服了上述常见的基于电子医疗数据的ADR信号挖掘方法的不足。TreeScan的实施需要先获得用于树状扫描统计量的医疗观测数据以及树状结构数据，然后再使用医疗观测数据和树状结构数据进行树状扫描统计量从而挖掘目标药物不良反应信号，而目前的TreeScan所挖掘的ADR信号仍存在一些假阳性信号而影响ADR监测的准确性。
发明创造内容
本说明书提供的发明创造的实施例的目的在于提供一种药物不良反应监测方法、装置、电子设备及计算机可读存储介质，以解决提高树状扫描统计量(TreeScan)在药物不良反应监测准确性的技术问题。
为了实现上述目的，根据本说明书的一个方面，提供了一种药物不良反应监测方法，包括：获得用于树状扫描统计量的医疗观测数据，所述医疗观测数据包含经倾向评分匹配的实验组数据与对照组数据；获得用于树状扫描统计量的树状结构数据，所述树状结构数据用于反映疾病诊断分层树状结构；使用所述医疗观测数据和树状结构数据进行树状扫描统计量从而挖掘目标药物不良反应信号。
根据本说明书提供的药物不良反应监测方法的实施例，所述医疗观测数据的建立包括：建立用于倾向评分匹配的实验组初步医疗观测数据、对照组初步医疗观测数据和不良反应混杂影响因素体系；根据不良反应混杂影响因素体系对实验组初步医疗观测数据和对照组初步医疗观测数据进行倾向评分；根据倾向评分结果对实验组初步医疗观测数据与对照组初步医疗观测数据进行倾向评分匹配，从而获得实验组数据与对照组数据；所述不良反应混杂影响因素体系包含由被观测人员的医疗信息构成的不良反应混杂影响因素，通过学术信息收集获得的不良反应混杂影响因素和通过统计分析方法获得的不良反应混杂影响因素中的一种或几种不良反应混杂影响因素。
根据本说明书提供的药物不良反应监测方法的实施例，所述由被观测人员的医疗信息构成的不良反应混杂影响因素包含被观测人员的年龄、性别、医保类型、合并疾病、合并用药、住院次数、门诊次数中的一种或几种医疗信息。
根据本说明书提供的药物不良反应监测方法的实施例，所述通过学术信息收集获得的不良反应混杂影响因素包含通过学术检索获得的不良反应混杂影响因素。
根据本说明书提供的药物不良反应监测方法的实施例，所述通过统计分析方法获得的不良反应混杂影响因素包含通过机器学习获得的不良反应混杂影响因素。
根据本说明书提供的药物不良反应监测方法的实施例，所述机器学习采用随机森林模型、支持向量机模型、提升方法中的一种或几种筛选与药物使用和不良反应存在关联的不良反应混杂影响因素。
根据本说明书的一个方面，提供了一种药物不良反应监测装置，包括：医疗观测数据储存模块，储存用于树状扫描统计量的医疗观测数据，所述医疗观测数据包含经倾向评分匹配的实验组数据与对照组数据；树状结构数据储存模块，储存用于树状扫描统计量的树状结构数据，所述树状结构数据用于反映疾病诊断分层树状结构；树状扫描统计量模块，使用所述医疗观测数据和树状结构数据进行树状扫描统计量从而挖掘目标药物不良反应信号。
根据本说明书提供的药物不良反应监测装置的实施例，药物不良反应监测装置包括医疗观测数据获取模块，用于所述医疗观测数的建立，该医疗观测数的建立包括：建立用于倾向评分匹配的实验组初步医疗观测数据、对照组初步医疗观测数据和不良反应混杂影响因素体系；根据不良反应混杂影响因素体系对实验组初步医疗观测数据和对照组初步医疗观测数据进行倾向评分；根据倾向评分结果对实验组初步医疗观测数据与对照组初步医疗观测数据进行倾向评分匹配，从而获得实验组数据与对照组数据；所述不良反应混杂影响因素体系包含由被观测人员的医疗信息构成的不良反应混杂影响因素，通过学术信息收集获得的不良反应混杂影响因素和通过统计分析方法获得的不良反应混杂影响因素中的一种或几种不良反应混杂影响因素。
根据本说明书提供的药物不良反应监测装置的实施例，所述由被观测人员的医疗信息构成的不良反应混杂影响因素包含被观测人员的年龄、性别、医保类型、合并疾病、合并用药、住院次数、门诊次数中的一种或几种医疗信息。
根据本说明书提供的药物不良反应监测装置的实施例，所述通过学术信息收集获得的不良反应混杂影响因素包含通过学术检索获得的不良反应混杂影响因素。
根据本说明书提供的药物不良反应监测装置的实施例，所述通过统计分析方法获得的不良反应混杂影响因素包含通过机器学习获得的不良反应混杂影响因素。
根据本说明书提供的药物不良反应监测装置的实施例，所述机器学习采用随机森林模型、支持向量机模型、提升方法中的一种或几种筛选与药物使用和不良反应存在关联的不良反应混杂影响因素。
根据本说明书的一个方面，提供了一种药物不良反应监测用电子设备，包括：处理器；存储器，用于储存处理器可执行指令；所述处理器被配置为执行上述任意一种药物不良反应监测方法。
根据本说明书的一个方面，提供了一种计算机可读存储介质，包括储存的程序，所述程序运行时执行上述任意一种药物不良反应监测方法。
上述药物不良反应监测方法、装置、电子设备及计算机可读存储介质的实施利用了经倾向评分匹配的实验组数据与对照组数据作为医疗观测数据，通过倾向评分匹配能够平衡实验组数据与对照组数据中的不良反应混杂影响因素，使用所述医疗观测数据和树状结构数据进行树状扫描统计量可以更为准确的挖掘目标药物不良反应信号，减少不良反应信号中的假阳性信号。
下面结合附图和具体实施方式对本说明书提供的发明创造做进一步的说明。本说明书提供的发明创造附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本说明书提供的发明创造的实践了解到。
附图说明
构成本说明书提供的发明创造的一部分的附图用来辅助对相关发明创造的理解，附图中所提供的内容及其在本说明书中有关的说明可用于解释相关发明创造，但不构成对相关发明创造的不当限定。在附图中：
图1为本说明书提供的药物不良反应监测方法的实施例的流程示意图。
图2为疾病诊断分层树状结构的示例图。
图3为本说明书提供的药物不良反应监测装置的结构示意图。
图4为本说明书提供的药物不良反应监测用电子设备的结构示意图。
具体实施方式
下面结合附图对本说明书提供的发明创造进行清楚、完整的说明。本领域普通技术人员在基于这些说明的情况下将能够实现本说明书提供的发明创造。在结合附图对本说明书提供的发明创造进行说明前，需要特别指出的是：
本说明书中在包括下述说明在内的各部分中所提供的技术方案、技术特征，在不冲突的情况下，这些技术方案、技术特征可以相互组合。
下述说明中涉及到的内容通常仅是本说明书提供的发明创造的一分部实施例而不是全部实施例，因此，基于本说明书提供的发明创造的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应当属于本说明书提供的发明创造保护的范围。
本说明书和权利要求书及有关的部分中的术语“包括”、“包含”、“具有”以及它们的任何变形，意图在于覆盖不排他的包含。
图1为本说明书提供的药物不良反应监测方法的实施例的流程示意图。图2为疾病诊断分层树状结构的示例图。如图1-2所示，药物不良反应监测方法的实施例包括：
步骤S100：获得用于树状扫描统计量的医疗观测数据，所述医疗观测数据包含经倾向评分匹配的实验组数据与对照组数据。
其中，所述医疗观测数据的建立又具体包括：
步骤S410：建立用于倾向评分匹配的实验组初步医疗观测数据D1、对照组初步医疗观测数据D2和不良反应混杂影响因素体系D3。
实验组初步医疗观测数据D1、对照组初步医疗观测数据D2和不良反应混杂影响因素体系D3可以统称为“基础信息”。其中，实验组初步医疗观测数据D1是指使用了目标药物的被观测人员(可进一步规定实验组被观测人员需要连续服用目标药物一段时间或有连续2次以上处方记录)的初步医疗观测数据。对照组初步医疗观测数据D2是指未使用目标药物的被观测人员的初步医疗观测数据。不良反应混杂影响因素体系D3是指除目标药物外可能导致出现不良反应事件的各种可能因素的集合。
随着医疗记录电子化的不断进步和数据库系统的完善，大数据技术的信号挖掘技术的提高，实验组初步医疗观测数据D1和对照组初步医疗观测数据D2可以从现有电子医疗数据(如电子病历数据、医保数据、区域医疗数据等)中较为容易的获取。
不良反应混杂影响因素体系D3是指除目标药物外可能导致出现不良反应事件的各种可能因素的集合。不良反应事件可能是由目标药物所导致，也可能是由其他原因所导致，而本说明书提供的药物不良反应监测方法的实施例的一个关键技术思路就是尽可能全面准确的找出各种不良反应混杂影响因素并将其合理应用到药物不良反应监测的判断过程中，从而准确的挖掘目标药物不良反应信号，减少不良反应信号中的假阳性信号。
本实施例中，所述不良反应混杂影响因素体系D3包含由被观测人员的医疗信息构成的不良反应混杂影响因素，通过学术信息收集获得的不良反应混杂影响因素和通过统计分析方法获得的不良反应混杂影响因素中的一种或几种不良反应混杂影响因素。
所述由被观测人员的医疗信息构成的不良反应混杂影响因素具体可包含被观测人员的年龄、性别、医保类型、合并疾病、合并用药、住院次数、门诊次数中的一种或几种医疗信息。
所述通过学术信息收集获得的不良反应混杂影响因素具体可包含通过学术检索获得的不良反应混杂影响因素。通过学术检索可以收集到已有学术文献(如论文、观点、专利文献等)中提到的不良反应混杂影响因素。
所述通过统计分析方法获得的不良反应混杂影响因素具体可包含通过机器学习获得的不良反应混杂影响因素。例如，所述机器学习可以采用随机森林模型、支持向量机模型、提升方法(boosting方法)中的一种或几种筛选与药物使用和不良反应存在关联的不良反应混杂影响因素。
进一步的，所述医疗观测数据的建立还包括步骤S420：根据不良反应混杂影响因素体系D3对实验组初步医疗观测数据D1和对照组初步医疗观测数据D2进行倾向评分。
倾向评分的概念是由Rosenbaum和Rubin在1983年首次提出，其基本原理是将多个协变量用一个倾向评分值来表示(相当于降低了协变量的维度)。而具体到上述步骤S420，倾向评分就是将实验组初步医疗观测数据D1和对照组初步医疗观测数据D2中每一位被观测人员的初步医疗观测数据中的不良反应混杂影响因素用一个倾向评分值来表示。
之后，医疗观测数据的建立则进入步骤S430：根据倾向评分结果对实验组初步医疗观测数据D1与对照组初步医疗观测数据D2进行倾向评分匹配，从而获得实验组数据D4与对照组数据D5。
倾向评分匹配是根据倾向评分值进行不同对比组间的分层、匹配、加权，以期均衡对比组间协变量的分布，最后在协变量分布均衡的层内或者匹配组中估计处理效应。在大样本的情况下，经过倾向评分值调整的组间个体，除了暴露因素和结局变量分布不同外，其他协变量应当均衡可比，相当于进行了“事后随机化”，使观察性数据达到“接近随机分配数据”的效果，最终减少混杂和偏倚的影响，提高结果准确性。
而具体到上述步骤S430，对实验组初步医疗观测数据D1与对照组初步医疗观测数据D2进行倾向评分匹配，结果就是平衡实验组数据D4与对照组数据D5中的不良反应混杂影响因素。
可见，通过上述步骤S100，获得了经倾向评分匹配的实验组数据与对照组数据作为医疗观测数据，将为本说明书提供的药物不良反应监测方法的实施例的下述步骤提供了良好的支持。
本说明书提供的药物不良反应监测方法的实施例还包括步骤S200：获得用于树状扫描统计量的树状结构数据，所述树状结构数据用于反映疾病诊断分层树状结构。
如图2所示，以肝病诊断分层树状结构为例说明疾病诊断分层树状结构：树中的每个叶子节点代表着一类对象，相邻的叶子之间属性相近，父节点与子节点之间是层级从属关系。树状扫描统计量时的扫描窗口就是对树的剪枝，即剪下来的一簇枝叶，形成一个分组G。
之后，本说明书提供的药物不良反应监测方法的实施例将进入步骤S300：使用所述医疗观测数据和树状结构数据进行树状扫描统计量从而挖掘目标药物不良反应信号。
本实施例中， 以ICD-10诊断编码为基础，识别与药物相关的不良事件。前提需要剔除不适用于药物不良事件识别的ICD-10编码，然后根据ICD-10诊断编码构建疾树状结构，其中最细的分类精确到ICD-10编码的3位。
所述步骤S300具体包括：
以ICD-10诊断编码为基础，识别与药物相关的不良事件。首先，剔除不适用于药物不良事件识别的ICD-10编码。然后根据ICD-10诊断编码构建疾病诊断树，其中最细的分类精确到ICD-10编码的3位。
①扫描整个树结构，考虑所有的剪枝分组情况，并逐一计算各分组的对数似然比所谓剪枝是指对诊断树中的叶子进行选取。每次剪枝可以得到一组相邻相关的叶子节点或单个叶子节点，用G表示，这些叶子节点的观测频数和期望频数分别定义为cG和nG。如果cG/nG＞(C-cG)/(N-nG)则表示G剪枝组中观测频数与期望频数的比值较其余组的这一比值高。对每次剪枝G可以计算对数似然比：
Figure BDA0002661156940000071
②找出最大对数似然比分组作为检验统计量：
Figure BDA0002661156940000081
③基于原假设利用蒙特卡洛方法生成大量随机的数据集(为计算方便，随机数据集数m取9999或99999个)。
④计算每个随机数据集中的所有剪枝分组的似然比，并分别找出最大对数似然比。
⑤将真实数据的最大似然比与9999个随机数据集的对数似然比进行比较(一共10000个对数似然比)，若前者大于95％的随机数据集的最大对数似然比，则认为具有统计显著性。基于蒙特卡洛模拟的P值计算为p＝R/(m+1)，其中R表示对数似然比在随机数据结果中由高到低排列的位置，m为随机数据集个数。TreeScan方法的ADR信号检测结果可以用表1的形式进行表示。
表1 TreeScan方法的ADR信号检测结果
Figure BDA0002661156940000082
图3为本说明书提供的药物不良反应监测装置的结构示意图。图4为本说明书提供的药物不良反应监测用电子设备的结构示意图。下面结合图1-4，说明为实施上述药物不良反应监测方法可采用的药物不良反应监测装置的实施例以及药物不良反应监测电子设备的实施例。
如图3所示的药物不良反应监测装置，包括医疗观测数据储存模块100、树状结构数据储存模块200和树状扫描统计量模块300。其中，医疗观测数据储存模块100储存用于树状扫描统计量的医疗观测数据，所述医疗观测数据包含经倾向评分匹配的实验组数据D4与对照组数据D5；树状结构数据储存模块200储存用于树状扫描统计量的树状结构数据，所述树状结构数据用于反映疾病诊断分层树状结构；树状扫描统计量模块300使用所述医疗观测数据和树状结构数据进行树状扫描统计量从而挖掘目标药物不良反应信号。
进一步的，上述药物不良反应监测装置还可包括医疗观测数据获取模块400，用于所述医疗观测数的建立，该医疗观测数的建立包括：步骤S410：建立用于倾向评分匹配的实验组初步医疗观测数据D1、对照组初步医疗观测数据D2和不良反应混杂影响因素体系D3；根据不良反应混杂影响因素体系D3对实验组初步医疗观测数据D1和对照组初步医疗观测数据D2进行倾向评分；根据倾向评分结果对实验组初步医疗观测数据D1与对照组初步医疗观测数据D2进行倾向评分匹配，从而获得实验组数据D4与对照组数据D5。
所述不良反应混杂影响因素体系D3包含由被观测人员的医疗信息构成的不良反应混杂影响因素，通过学术信息收集获得的不良反应混杂影响因素和通过统计分析方法获得的不良反应混杂影响因素中的一种或几种不良反应混杂影响因素。
其中，所述由被观测人员的医疗信息构成的不良反应混杂影响因素包含被观测人员的年龄、性别、医保类型、合并疾病、合并用药、住院次数、门诊次数中的一种或几种医疗信息；所述通过学术信息收集获得的不良反应混杂影响因素包含通过学术检索获得的不良反应混杂影响因素；所述通过统计分析方法获得的不良反应混杂影响因素包含通过机器学习获得的不良反应混杂影响因素。
如图4所示的药物不良反应监测用电子设备，包括：处理器510；存储器520，用于储存处理器可执行指令；所述处理器510被配置为执行上述的药物不良反应监测方法。
具体的，上述处理器510可以包括中央处理器(CPU)，或者特定集成电路(Application Special Integrated Circuit，ASIC)，或者可以被配置成实施上述药物不良反应监测方法的一个或多个集成电路。
存储器520可以包括用于数据可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器520可包括硬盘驱动器(Hard Disk Drive，HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus，USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器520可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器520可在数据处理装置的内部或外部。在特定实施例中，存储器520是非易失性固态存储器。在特定实施例中，存储器520包括只读存储器(ROM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
处理器510通过读取并执行存储器520中存储的计算机程序指令，以实现上述药物不良反应监测方法。
在药物不良反应监测用电子设备的一个实施例中，药物不良反应监测用电子设备还可包括通信接口530和总线540。其中，如图4所示，处理器510、存储器520、通信接口530通过总线540连接并完成相互间的通信。
通信接口530，主要用于实现药物不良反应监测所需的各模块、装置、单元和/或设备之间的通信。总线540包括硬件、软件或两者，将药物不良反应监测设施的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线540可包括一个或多个总线。尽管本发明描述和示出了特定的总线，但本发明考虑任何合适的总线或互连。
以上对本说明书提供的发明创造的有关内容进行了说明。本领域普通技术人员在基于这些说明的情况下将能够实现本说明书提供的发明创造。基于本说明书提供的上述内容，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应当属于本说明书提供的发明创造保护的范围。

Claims (6)

1.药物不良反应监测方法，其特征在于，包括：
获得用于树状扫描统计量的医疗观测数据，所述医疗观测数据包含经倾向评分匹配的实验组数据与对照组数据；
获得用于树状扫描统计量的树状结构数据，所述树状结构数据用于反映疾病诊断分层树状结构；
使用所述医疗观测数据和树状结构数据进行树状扫描统计量从而挖掘目标药物不良反应信号；
所述医疗观测数据的建立包括：
建立用于倾向评分匹配的实验组初步医疗观测数据、对照组初步医疗观测数据和不良反应混杂影响因素体系；
根据不良反应混杂影响因素体系对实验组初步医疗观测数据和对照组初步医疗观测数据进行倾向评分；
根据倾向评分结果对实验组初步医疗观测数据与对照组初步医疗观测数据进行倾向评分匹配，从而获得实验组数据与对照组数据；
所述不良反应混杂影响因素体系包含由被观测人员的医疗信息构成的不良反应混杂影响因素，通过学术信息收集获得的不良反应混杂影响因素和通过统计分析方法获得的不良反应混杂影响因素中的一种或几种不良反应混杂影响因素；
所述由被观测人员的医疗信息构成的不良反应混杂影响因素包含被观测人员的年龄、性别、医保类型、合并疾病、合并用药、住院次数、门诊次数中的一种或几种医疗信息；
所述通过学术信息收集获得的不良反应混杂影响因素包含通过学术检索获得的不良反应混杂影响因素；
所述通过统计分析方法获得的不良反应混杂影响因素包含通过机器学习获得的不良反应混杂影响因素。
2.如权利要求1所述的药物不良反应监测方法，其特征在于：所述机器学习采用随机森林模型、支持向量机模型、提升方法中的一种或几种筛选与药物使用和不良反应存在关联的不良反应混杂影响因素。
3.药物不良反应监测装置，其特征在于，包括：
医疗观测数据储存模块，储存用于树状扫描统计量的医疗观测数据，所述医疗观测数据包含经倾向评分匹配的实验组数据与对照组数据；
树状结构数据储存模块，储存用于树状扫描统计量的树状结构数据，所述树状结构数据用于反映疾病诊断分层树状结构；
树状扫描统计量模块，使用所述医疗观测数据和树状结构数据进行树状扫描统计量从而挖掘目标药物不良反应信号；
还包括医疗观测数据获取模块，用于所述医疗观测数的建立，该医疗观测数的建立包括：
建立用于倾向评分匹配的实验组初步医疗观测数据、对照组初步医疗观测数据和不良反应混杂影响因素体系；
根据不良反应混杂影响因素体系对实验组初步医疗观测数据和对照组初步医疗观测数据进行倾向评分；
根据倾向评分结果对实验组初步医疗观测数据与对照组初步医疗观测数据进行倾向评分匹配，从而获得实验组数据与对照组数据；
所述不良反应混杂影响因素体系包含由被观测人员的医疗信息构成的不良反应混杂影响因素，通过学术信息收集获得的不良反应混杂影响因素和通过统计分析方法获得的不良反应混杂影响因素中的一种或几种不良反应混杂影响因素；
所述由被观测人员的医疗信息构成的不良反应混杂影响因素包含被观测人员的年龄、性别、医保类型、合并疾病、合并用药、住院次数、门诊次数中的一种或几种医疗信息；
所述通过学术信息收集获得的不良反应混杂影响因素包含通过学术检索获得的不良反应混杂影响因素；
所述通过统计分析方法获得的不良反应混杂影响因素包含通过机器学习获得的不良反应混杂影响因素。
4.如权利要求3所述的药物不良反应监测装置，其特征在于：所述机器学习采用随机森林模型、支持向量机模型、提升方法中的一种或几种筛选与药物使用和不良反应存在关联的不良反应混杂影响因素。
5.药物不良反应监测用电子设备，其特征在于，包括：
处理器；
存储器，用于储存处理器可执行指令；
所述处理器被配置为执行权利要求1或2所述药物不良反应监测方法。
6.计算机可读存储介质，其特征在于：包括储存的程序，所述程序运行时执行权利要求1或2所述药物不良反应监测方法。
CN202010905152.1A 2020-09-01 2020-09-01 药物不良反应监测方法、装置、电子设备及可读存储介质 Active CN111986819B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010905152.1A CN111986819B (zh) 2020-09-01 2020-09-01 药物不良反应监测方法、装置、电子设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010905152.1A CN111986819B (zh) 2020-09-01 2020-09-01 药物不良反应监测方法、装置、电子设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN111986819A CN111986819A (zh) 2020-11-24
CN111986819B true CN111986819B (zh) 2023-03-31

Family

ID=73447792

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010905152.1A Active CN111986819B (zh) 2020-09-01 2020-09-01 药物不良反应监测方法、装置、电子设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN111986819B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112289458A (zh) * 2020-11-26 2021-01-29 温州市人民医院 一种面向大数据的潜在药物不良反应数据挖掘系统及方法
CN115424741B (zh) * 2022-11-02 2023-03-24 之江实验室 基于因果发现的药物不良反应信号发现方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010146799A1 (ja) * 2009-06-18 2010-12-23 株式会社日立ハイテクノロジーズ 欠陥検査装置および検査方法
CN109346145A (zh) * 2018-10-16 2019-02-15 国家食品药品监督管理总局药品评价中心(国家药品不良反应监测中心) 一种药物不良反应的主动监测方法和系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012111011A2 (en) * 2011-02-16 2012-08-23 Nir Barak Low dosage combinations of fluoxetine and reboxetine for treating obesity
CN107426757B (zh) * 2017-09-13 2020-02-04 南通大学 一种天线设备扫描方法及系统
CN110577992A (zh) * 2019-09-30 2019-12-17 四川大学华西医院 Rxra基因的多态性在抗结核病药物不良反应中的应用
CN111223571A (zh) * 2020-01-06 2020-06-02 中国人民解放军总医院 药品不良反应监测方法及装置、计算机设备及存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010146799A1 (ja) * 2009-06-18 2010-12-23 株式会社日立ハイテクノロジーズ 欠陥検査装置および検査方法
CN109346145A (zh) * 2018-10-16 2019-02-15 国家食品药品监督管理总局药品评价中心(国家药品不良反应监测中心) 一种药物不良反应的主动监测方法和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Jinwei Ni等.Genotype and phenotype analysis of a cohort of patients with congenital hyperinsulinism based on DOPA-PET CT scanning.《European Journal of Pediatrics》.2019,第178卷第1161-1169页. *

Also Published As

Publication number Publication date
CN111986819A (zh) 2020-11-24

Similar Documents

Publication Publication Date Title
CN109346145B (zh) 一种药物不良反应的主动监测方法和系统
CN110021364B (zh) 基于病人临床症状数据和全外显子组测序数据筛选单基因遗传病致病基因的分析检测系统
Zehtabchi et al. Trauma registries: history, logistics, limitations, and contributions to emergency medicine research
CN111986819B (zh) 药物不良反应监测方法、装置、电子设备及可读存储介质
CN112766428B (zh) 肿瘤分子分型方法及装置、终端设备及可读存储介质
CN105229471A (zh) 用于基于生物化学标记分析确定先兆子痫风险的系统和方法
CN113270188B (zh) 食管鳞癌根治术后患者预后预测模型构建方法及装置
CN111508603A (zh) 一种基于机器学习的出生缺陷预测及风险评估方法、系统及电子设备
US20140278135A1 (en) Electronic variant classification
CN109872776A (zh) 一种基于加权基因共表达网络分析对胃癌潜在生物标志物的筛选方法及其应用
Ding et al. An evaluation of statistical approaches to postmarketing surveillance
CN111883253A (zh) 基于医学知识库的疾病数据分析方法和肺癌风险预测系统
CN111816319A (zh) 逐步筛选的泌尿系统重疾指标确定方法及风险预测系统
CN111180027B (zh) 一种基于医疗大数据的患者画像相关性规则筛选方法及装置
Barnado et al. Developing and validating methods to assemble systemic lupus erythematosus births in the electronic health record
US20230386665A1 (en) Method and device for constructing autism spectrum disorder (asd) risk prediction model
CN113628751A (zh) 胃癌预后预测方法、装置及电子设备
Liao et al. A machine learning‐based risk scoring system for infertility considering different age groups
CN111161881A (zh) 一种疾病共现关系的识别方法、装置及存储介质
CN112508909B (zh) 一种外周血细胞形态学自动检测系统的疾病联想方法
Barnett Automated detection of over-and under-dispersion in baseline tables in randomised controlled trials
Oermann et al. Longitudinal deep neural networks for assessing metastatic brain cancer on a massive open benchmark.
CN114300158A (zh) 一种药品不良反应的识别方法及装置
CN113921103A (zh) 鉴别诊断病种敏感性测量方法、装置、电子设备及介质
CN114649071A (zh) 一种基于真实世界数据的消化性溃疡治疗方案的预测系统

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