CN114300158A

CN114300158A - 一种药品不良反应的识别方法及装置

Info

Publication number: CN114300158A
Application number: CN202111628626.3A
Authority: CN
Inventors: 刘玉强; 侯春霞; 王瑜; 王洁; 韩国霖; 张伟
Original assignee: Individual
Current assignee: Individual
Priority date: 2021-12-28
Filing date: 2021-12-28
Publication date: 2022-04-08

Abstract

本申请涉及一种药品不良反应的识别方法及装置，方法包括：从电子病历系统获取在调查周期内既使用指标药又使用标签药患者的病历数据；利用预先构建的通用数据模型从获取的病历数据中提取患者的标准化病历数据得到标准化数据集；分别对指标药中第一药品和第二药品是否能够引起所述标签药所治疗的不良反应确认；在指标药都不能引起标签药所治疗的不良反应时，利用获取的标准化数据集对指标药和标签药进行处方序列对称分析，并输出分析结果；根据分析结果确定指标药间相互作用后是否能够引起所述标签药所治疗的不良反应。本申请对药品间不良反应的识别准确度高，速度快，从而能够对不良反应的水平进行正确评估。

Description

一种药品不良反应的识别方法及装置

技术领域

本申请涉及药品安全领域，尤其是涉及一种药品不良反应的识别方法及装置。

背景技术

目前，国家药品管理部门向社会公布药品不良反应信息，有利于广大公众学习掌握药品知识，保障人民群众生命和健康安全。因此，监测上市后药品的不良反应，对于评价真实世界上市后药品的安全性和再评价非常重要。目前有关药品不良反应上报，主要采用被动的自发报告作为风险信号，但是这种自发报告也存在一定问题，一方面不能明确暴露群体的“分母”数量，无法准确计算出某种不良反应的发生率；个案报告的数量存在较大程度的不可控性，有时漏报现象严重，有时又可能因为媒体的影响而对某种不良反应大量集中报告，导致无法对不良反应的水平进行正确评估；而这些问题的存在进一步降低药品的不良反应的准确判定。

发明内容

为了提高对药品间相互作用引起不良反应的识别的准确性，本申请提供了一种药品不良反应的识别方法及装置。

第一方面，本申请提供的一种药品不良反应的识别方法采用如下的技术方案：

一种药品不良反应的识别方法，包括：

从电子病历系统获取在调查周期内既使用指标药又使用标签药患者的病历数据；其中，所述指标药包括第一药品和第二药品，且所述第一药品和所述第二药品在调查周期内同时或序贯使用；

利用预先构建的通用数据模型从获取的所述病历数据中提取每个患者的标准化病历数据，得到标准化数据集；其中，所述标准化病历数据以每个患者唯一编码为索引，至少包括患者人口学特征、诊断、使用药品以及每种药品的使用时间；

分别确认所述第一药品和所述第二药品是否能够引起所述标签药所治疗的不良反应；

在所述第一药品和所述第二药品都不能引起所述标签药所治疗的不良反应时，利用获取的所述标准化数据集对所述指标药和所述标签药进行处方序列对称分析，并输出分析结果；

根据所述分析结果确定所述指标药中所述第一药品和所述第二药品相互作用后是否能够引起所述标签药所治疗的不良反应。

可选的，所述通用数据模型的构建包括：

确定药品不良反应信号挖掘所需的变量表单，并对电子病历系统的病历数据中药品、临床症状信息进行术语规范化和标准化，形成初步的通用数据模型；

通过系统综述、自发报告数据库检索和专家论证的方法综合形成药品不良反应事件的确定标准,并据此从原始数据中筛选出适量的阳性和阴性药品的事件对，得到包括大量事件对的药品样本集；

利用药品样本集中的事件对对初步的通用数据模型进行模型评价和优化，得到符合要求的通用数据模型。

可选的，所述分别确认所述第一药品和所述第二药品是否能够引起所述标签药所治疗的不良反应，包括：

获取所述第一药品和第二药品的不良反应清单；

分别判断所述第一药品和第二药品的所述不良反应清单中是否存在所述标签药所治疗的不良反应；

如果对应所述不良反应清单中不存所述标签药所治疗的不良反应，判定所述第一药品或第二药品不能够引起所述标签药所治疗的不良反应；否则，判定所述第一药品或第二药品能够引起所述标签药所治疗的不良反应。

从电子病历系统获取第一病历数据和第二病历数据；其中，所述第一病历数据为在调查周期内既使用所述第一药品又使用所述标签药、但未使用第二药品的患者的病历数据；所述第二病历数据为在调查周期内既使用所述第二药品又使用所述标签药、但未使用第一药品的患者的病历数据；

利用预先构建的通用数据模型分别从获取的所述第一病历数据和所述第二病例数据中提取患者的标准化病历数据，得到第一标准化数据集和第二标准化数据集；

利用获取的所述第一标准化数据集对所述第一药品和所述标签药进行处方序列对称分析以及利用获取的所述第二标准化数据集对所述第二药品和所述标签药进行处方序列对称分析，并输出第一分析结果和第二分析结果；

分别根据所述第一分析结果和所述第二分析结果确定所述第一药品和所述第二药品是否引起所述标签药所治疗的不良反应。

可选的，所述利用获取的所述标准化数据集对所述指标药和所述标签药进行处方序列对称分析，并输出分析结果，包括：

获取标准化数据集中在调查周期内先处方所述指标药后处方标签药的第一人数N1以及先处方所述标签药后处方指标药的第二人数N2；

计算所述标准化数据集中所有患者在调查周期内先处方指标药后处方标签药的概率α；

根据所有患者在调查周期内先处方指标药组后处方标签药的概率α计算空效应序列比NESR；其中：

根据所述第一人数N1和第二人数N2计算粗的序列比CSR；其中：

根据空效应序列比NESR和粗的序列比CSR计算调整序列比ASR；其中：

计算得到调整序列比ASR的95％置信区间，并将95％置信区间的下限作为分析结果输出。

可选的，所述计算所述标准化数据集中所有患者在调查周期内先处方指标药后处方标签药的概率α，包括：

根据每种药品的使用时间获取所述标准化数据集中在调查周期内每天先处方所述指标药后处方标签药的概率P；

根据个病患在调查周期内先处方所述指标药后处方标签药的概率P，计算所述标准化数据集中所有患者在调查周期内先处方指标药后处方标签药的概率α。

获取标准化数据集中在调查周期内的患者总数量；

根据在调查周期内的患者总数量和所述第一人数N1计算所述标准化数据集中所有患者在调查周期内先处方指标药后处方标签药的概率α。

可选的，所述根据每种药品的使用时间获取所述标准化数据集中在调查周期内每天先处方所述指标药后处方标签药的概率P的计算公式为：

其中，m为患者是在第m天处方了指标药；m&n是调查周期内连续的天数，排除了磨合期；μ是调查周期内最后一天；Bn是在第n天首次处方了标签药的人数；分子部分

是所有在第m天后处方标签药的患者总数；分母部分是调查期间内首次处方标签药的患者总数。

可选的，所述根据个病患在调查周期内先处方所述指标药后处方标签药的概率P，计算所述标准化数据集中所有患者在调查周期内先处方指标药后处方标签药的概率α，计算公式为：

其中，ACm为第m天首次处方了两种以上指标药的人数。

第二方面，本申请提供的一种药品不良反应的识别装置采用如下的技术方案：

一种药品不良反应的识别装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的一种药品不良反应的识别方法。

综上所述，本申请包括以下至少一种有益技术效果：

1.数据库是基于药品上市后的处方记录数据库，因此该分析方法是基于真实世界的研究，有较好的外部真实性；

2.患者自身前后作为对照，能够使由于患者特征不同引起的潜在偏倚达到最小；

3.可以仅通过处方数据来评价药物安全性，相比于其他流行病学研究耗时短且经济。

附图说明

图1是处方对称分析原理示意图；

图2是本申请实施例提供的一种药品不良反应的识别方法的流程图；

图3是本申请实施例中步骤S500的流程图；

图4是本申请实施例提供的一种药品不良反应的识别装置的结构框图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图1-4及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。

如图1所示，处方对称分析是根据药品使用的次序、频率分布来得出药品与不良反应事件是否存在关联；处方对称分析可以使用标签药B指示指标药A，发现某药A引起标签药B治疗的不良反应。本申请进一步对处方对称分析进行扩展，通过标签药B指示指标药A和指标药C相互作用，发现药品A和药品C两种药物相互作用出现药品不良反应，使处方对称分析在药品不良反应识别中的应用更为广泛。

利用扩展后的处方对称分析方法，能够迅速对某种药品或多种药品相互作用进行风险评估与测量。尤其是，随着医疗信息技术的发展，医院电子病例、区域电子健康医疗的运用，大数据时代的到来，更是为处方对称分析提供了足够多的、完备的处方记录数据库，使基于处方对称分析识别药品不良反应信号的更广泛应用成为可能。

本申请实施例公开一种药品间不良反应的识别方法，该方法基于处方序列对称分析，通过对单个药品的处方序列对称分析进行扩展，实现两种药品间发生不良反应时，相互作用信号的识别。参照图2，包括：

步骤S100、从电子病历系统获取在调查周期内既使用指标药又使用标签药患者的病历数据；其中，指标药包括第一药品和第二药品，且第一药品和第二药品在调查周期内同时或序贯使用。

步骤S200、利用预先构建的通用数据模型从步骤S100获取的所述病历数据中提取每个患者的标准化病历数据，得到标准化数据集；其中，标准化病历数据以每个患者唯一编码为索引，包括患者人口学特征(如年龄、性别、文化、职业、收入、生育率等指标)、诊断、使用药品以及每种药品的使用时间等。

在本实施例中，通用数据模型的构建包括：

(1)确定药品不良反应信号挖掘所需的变量表单(每个病患的标准化病历数据和病患最终治疗结果，如死亡原因、治愈后遗症等)，对各医院平台电子病历系统的电子病历数据中药品、临床症状等信息进行术语规范化和标准化，形成初步的通用数据模型；本实施例是经专家讨论制定专用模型构建基本原则，确定药品不良反应信号挖掘所需的变量表单。

(2)通过系统综述、自发报告数据库检索和专家论证的方法综合形成药品不良反应事件的确定标准,并据此从原始数据中筛选出适量的阳性和阴性药品的事件对，得到包括大量事件对的药品样本集。

(3)利用药品样本集中的事件对对初步的通用数据模型进行模型评价和优化，得到符合要求的通用数据模型；如：

利用初步的通用数据模型对从原始数据进行提取，映射得到每个病患的标准化病历数据，映射完成后对每个病患的标准化病历数据的数据集的记录和变量数量、质量进行评价，同时，根据是否完成映射绘制数据集热点图，并统计缺失数据的情况和映射缺失数据中暴露和结局的数量及占原始数据集的百分比；

关联强度计算和模型评价，标准信号(阳性和阴性药品的事件对)确定后，通过比值失衡法、单变量自身病例对照系列和高维倾向评分三种不同程度控制混杂方法，计算初步通用数据模型中上述事件对的关联强度，并进行统计学检验。依据既定关联强度界值(如关联强度＞1，即定义为强关联)确定这些阳性和阴性药品的事件对是否存在关联，同时通过对性别、年龄、治疗史等混杂因素的控制，再次计算关联强度，判断阳性和阴性药品的事件对的正确分类与否，构建模型诊断评价的四格表，评价初步的通用数据模型在药品不良反应监测中的灵敏度和特异度，将分类结果按灵敏度/(I-特异度)绘制受试者工作特征(ROC)曲线，采用曲线下面积衡量检出标准信号和正确分类的效果，参照评价标准以ROC曲线下面积＞0.8为检出效果较好。召开专家论证会，对上述检出方法在本课题中的适用程度进行评估，并提出建议。

模型评价之后将根据ROC曲线下面积，从不同变量数量、变量组合、表单关系的通用模型中筛选出对于电子病历数据中不良反应信号检出能力较好、信息含量适当的最优模型结构，对通用数据模型进行再次优化。

步骤S300、分别确认所述第一药品和所述第二药品是否能够引起所述标签药所治疗的不良反应。在本申请实施例中，步骤S300至少包括以下两种实现方式：

(1)通过对第一药品和第二药品的不良反应清单进行不良反应确认，如果第一药品和第二药品中至少一种药品的不良反应清单中记录有标签药治疗的不良反应，则不能确定是药品间相互作用引起不良反应，不再执行之后的程序。具体包括：

获取第一药品和第二药品的不良反应清单；

分别判断第一药品和第二药品的不良反应清单中是否存在标签药所治疗的不良反应；

如果对应不良反应清单中不存标签药所治疗的不良反应，判定第一药品或第二药品不能够引起标签药所治疗的不良反应；否则，判定第一药品或第二药品能够引起标签药所治疗的不良反应。

(2)通过分别对第一药品和第二药品进行关于所述标签药的处方序列对称分析来确定。具体包括：

从电子病历系统获取第一病历数据和第二病历数据；其中，第一病历数据为在调查周期内既使用第一药品又使用所述标签药、但未使用第二药品的患者的病历数据；第二病历数据为在调查周期内既使用第二药品又使用标签药、但未使用第一药品的患者的病历数据；

利用预先构建的通用数据模型分别从获取的第一病历数据和第二病例数据中提取患者的标准化病历数据，得到第一标准化数据集和第二标准化数据集；

利用获取的第一标准化数据集对第一药品和标签药进行处方序列对称分析以及利用获取的第二标准化数据集对第二药品和所述标签药进行处方序列对称分析，并输出第一分析结果和第二分析结果；

分别根据第一分析结果和所述第二分析结果确定第一药品和第二药品是否引起标签药所治疗的不良反应。

步骤S400、判断在第一药品和第二药品是否全都不能引起标签药所治疗的不良反应，如果全都不能，执行步骤S500；否则，执行步骤S700。

步骤S500、利用获取的标准化数据集对指标药和标签药进行处方序列对称分析，并输出分析结果。

步骤S600、根据分析结果确定指标药中第一药品和第二药品相互作用后是否能够引起标签药所治疗的不良反应；即如果分析结果为阳性信号，第一药品和第二药品相互作用后能够引起标签药所治疗的不良反应，分析结果为阴性信号，第一药品和第二药品相互作用后能够引起标签药所治疗的不良反应。

步骤S700、停止本次识别，输出第一药品和/或第二药品能够单独引起标签药所治疗的不良反应，无法确定第一药品与第二药品间相互作用能够引起标签药所治疗的不良反应。

本实施例还包括对第一药品和第二药品相互作用后是否能够引起标签药所治疗的不良反应的判断结果通过终端进行输出显示；输出显示内容包括判断结果、指标药中药品种类、标签药品以及标签药品对应的不良反应发生比例等。

本申请实施例步骤S500，如图3所示，包括以下步骤：

步骤S501、根据药品使用时间从标准化数据集中筛选出在调查周期内先处方指标药后处方标签药的第一人数N1以及先处方标签药后处方指标药的第二人数N2。

步骤S502、计算标准化数据集中所有患者在调查周期内先处方指标药后处方标签药的概率α；在本实施例中，步骤S502至少包括以下两种实现方法：

第一种为：

根据每种药品的使用时间获取标准化数据集中在调查周期内每天先处方指标药后处方标签药的概率P；计算公式为：

根据个病患在调查周期内先处方指标药后处方标签药的概率P，计算标准化数据集中所有患者在调查周期内先处方指标药后处方标签药的概率α；即当所有患者调查时间内先处方指标药后处方标签药都是为概率P为的时候，以每天处方指标药的患者数加权得到计算标准化数据集中所有患者在调查周期内先处方指标药后处方标签药的概率α，计算公式为：

其中，ACm为第m天首次处方了两种以上指标药的人数。

第二种为：

获取标准化数据集中在调查周期内的患者总数量N3；

根据在调查周期内的患者总数量和第一人数N1计算标准化数据集中所有患者在调查周期内先处方指标药后处方标签药的概率α；即

步骤S503、根据所有患者在调查周期内先处方指标药组后处方标签药的概率α计算空效应序列比NESR；计算公式为：

步骤S504、根据第一人数N1和第二人数N2计算粗的序列比CSR，计算公式为：

步骤S505、根据空效应序列比NESR和粗的序列比CSR计算调整序列比ASR；计算公式为：

步骤S506、计算得到调整序列比ASR的95％置信区间，并将95％置信区间的下限作为分析结果输出；在本实施例中，调整序列比ASR序列比的95％置信区间的计算可以通过用二项分布的可信区间，当样本量很大时(>150)，近似于正态分布；还可以用bootstrap法产生。本实施例当95％置信区间的下限作大于1时为阳性信号，当95％置信区间小于等于1时为阴性信号。

本申请的具有以下有益效果：

(1)数据库是基于药品上市后的处方记录数据库，因此该分析方法是基于真实世界的研究，有较好的外部真实性；

(2)患者自身前后作为对照，能够使由于患者特征不同引起的潜在偏倚达到最小；

(3)可以仅通过处方数据来评价药物安全性，相比于其他流行病学研究耗时短且经济；

(4)本申请可以与其他医疗数据库整合，比如结合处方和某种疾病诊断进行相类似的分析，如研究痛可宁与便秘之间的关系。因此，当察觉到广泛使用的药品可能存在的风险时，能够迅速进行风险评估与测量，对判断药品间潜在的相互作用是一种很有价值的方法。

本申请实施例还提供了一种药品不良反应的识别装置，具体地，该装置包括：一个或多个处理器和存储器，如图4所示，以一个处理器200及存储器100为例。处理器200和存储器100可以通过总线或者其他方式连接，如以通过总线连接为例。

存储器100作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序，如本申请实施例中的一种药品不良反应的识别方法。处理器200通过运行存储在存储器100中的非暂态软件程序以及指令，从而实现上述本申请实施例中的一种药品不良反应的识别方法。

存储器100可以包括存储程序区和存储数据区，其中，存储程序区可存储操作装置、至少一个功能所需要的应用程序；存储数据区可存储执行上述实施例中的一种药品不良反应的识别方法等。此外，存储器100可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

实现上述实施例中的一种药品不良反应的识别方法所需的非暂态软件程序以及指令存储在存储器中，当被一个或者多个处理器执行时，执行上述实施例中的一种药品不良反应的识别方法，例如，执行以上描述的图2中的方法步骤S100至步骤S700以及图3中的方法步骤S501至步骤S506。

以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，本说明书(包括摘要和附图)中公开的任一特征，除非特别叙述，均可被其他等效或者具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。

Claims

1.一种药品不良反应的识别方法，其特征在于，包括：

2.根据权利要求1所述的识别方法，其特征在于，所述通用数据模型的构建包括：

3.根据权利要求1所述的识别方法，其特征在于，所述分别确认所述第一药品和所述第二药品是否能够引起所述标签药所治疗的不良反应，包括：

获取所述第一药品和第二药品的不良反应清单；

4.根据权利要求1所述的识别方法，其特征在于，所述分别确认所述第一药品和所述第二药品是否能够引起所述标签药所治疗的不良反应，包括：

利用预先构建的通用数据模型分别从获取的所述第一病历数据和所述第二病例数据中提取患者的标准化病历数据，得到第一标准化数据集和第二标准化数据集；利用获取的所述第一标准化数据集对所述第一药品和所述标签药进行处方序列对称分析以及利用获取的所述第二标准化数据集对所述第二药品和所述标签药进行处方序列对称分析，并输出第一分析结果和第二分析结果；

5.根据权利要求1所述的识别方法，其特征在于，所述利用获取的所述标准化数据集对所述指标药和所述标签药进行处方序列对称分析，并输出分析结果，包括：

根据所述第一人数N1和第二人数N2计算粗的序列比CSR；其中：

6.根据权利要求5所述的识别方法，其特征在于，所述计算所述标准化数据集中所有患者在调查周期内先处方指标药后处方标签药的概率α，包括：

7.根据权利要求5所述的识别方法，其特征在于，所述计算所述标准化数据集中所有患者在调查周期内先处方指标药后处方标签药的概率α，包括：

获取标准化数据集中在调查周期内的患者总数量；

8.根据权利要求6所述的识别方法，其特征在于，所述根据每种药品的使用时间获取所述标准化数据集中在调查周期内每天先处方所述指标药后处方标签药的概率P的计算公式为：

9.根据权利要求8所述的识别方法，其特征在于，所述根据个病患在调查周期内先处方所述指标药后处方标签药的概率P，计算所述标准化数据集中所有患者在调查周期内先处方指标药后处方标签药的概率α，计算公式为：

其中，ACm为第m天首次处方了两种以上指标药的人数。

10.一种药品不良反应的识别装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至9中任意一项所述的一种药品不良反应的识别方法。