CN114300159A - 药物警戒信号生成方法、装置、设备和介质 - Google Patents

药物警戒信号生成方法、装置、设备和介质 Download PDF

Info

Publication number
CN114300159A
CN114300159A CN202111646779.0A CN202111646779A CN114300159A CN 114300159 A CN114300159 A CN 114300159A CN 202111646779 A CN202111646779 A CN 202111646779A CN 114300159 A CN114300159 A CN 114300159A
Authority
CN
China
Prior art keywords
adverse reaction
drug
target
signal
generating
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.)
Pending
Application number
CN202111646779.0A
Other languages
English (en)
Inventor
索善玮
万帮喜
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.)
Shanghai Taimei Digital Technology Co ltd
Original Assignee
Zhejiang Taimei Medical Technology Co Ltd
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 Zhejiang Taimei Medical Technology Co Ltd filed Critical Zhejiang Taimei Medical Technology Co Ltd
Priority to CN202111646779.0A priority Critical patent/CN114300159A/zh
Publication of CN114300159A publication Critical patent/CN114300159A/zh
Priority to PCT/CN2022/136524 priority patent/WO2023124802A1/zh
Pending legal-status Critical Current

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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Toxicology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medicinal Chemistry (AREA)
  • Pharmacology & Pharmacy (AREA)
  • Chemical & Material Sciences (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本说明书实施方式提供了一种药物警戒信号生成方法，其特征在于，所述方法包括：确定目标药物处于预设药物分类体系中的类别和适应症涉及药物的不良反应描述；获取预设药物分类体系中的类别和适应症对应的不良反应报告数量；使用所述不良反应报告数量，基于比值失衡测量法生成所述目标药物对应所述不良反应描述的药物警戒信号。通过药物警戒信号得出药物和不良反应之间的关联关系。通过上述技术方法，研究人员可以更快速更准确地计算药物警戒信号，为后续分析做准备。

Description

药物警戒信号生成方法、装置、设备和介质
技术领域
本说明书涉及计算机数据处理的技术领域，具体涉及一种药物警戒信号儿童
背景技术
药物警戒信号是使用所有或者一定时间维度内的不良反应报告进行统计分析计算得到的。对于相同类型药品可能引起同类不良反应或服用该药的同一类适应症患者可能出现相同的并发症等因素，均需要专业人员进行人工分析挖掘。不良反应报告数以亿计，因此为了得到某个药物的药物警戒信号，需要进行大量计算，耗时耗力。
发明内容
有鉴于此，本说明书多个实施方式致力于提供一种药物警戒信号生成方法、装置、设备和存储介质，可以更准确地计算药物警戒信号。
本说明书实施方式提出了一种药物警戒信号生成方法，包括：确定目标药物处于预设药物分类体系中的类别，作为目标类别；其中，所述目标类别中包括多个药物；获取所述目标类别中药物涉及的不良反应描述，和与所述不良反应描述对应的不良反应报告数量；使用所述不良反应报告数量，基于比值失衡测量法生成所述目标药物对应所述不良反应描述的药物警戒信号。
本说明书实施方式提出了一种药物警戒信号生成方法，包括：获取适应症涉及药物的不良反应描述，和与所述不良反应描述对应的不良反应报告数量；其中，所述不良反应描述表示患有所述适应症表示的疾病的病人使用所述药物之后，产生的不良反应；所述适应症涉及的药物中包括目标药物；使用所述不良反应报告数量，基于比值失衡测量法生成所述目标药物对应所述不良反应描述的药物警戒信号。
本说明书实施方式提出了一种药物警戒信号生成装置，包括：确定模块，用于确定目标药物处于预设药物分类体系中的类别，作为目标类别；其中，所述目标类别中包括多个药物；获取模块，用于获取所述目标类别中药物涉及的不良反应描述，和与所述不良反应描述对应的不良反应报告数量；生成模块，用于使用所述不良反应报告数量，基于比值失衡测量法生成所述目标药物对应所述不良反应描述的药物警戒信号。
本说明书实施方式提出了一种药物警戒信号生成装置，包括：获取模块，用于获取适应症涉及药物的不良反应描述，和与所述不良反应描述对应的不良反应报告数量；其中，所述不良反应描述表示患有所述适应症表示的疾病的病人使用所述药物之后，产生的不良反应；所述适应症涉及的药物中包括目标药物；生成模块，用于使用所述不良反应报告数量，基于比值失衡测量法生成所述目标药物对应所述不良反应描述的药物警戒信号。
本说明书实施方式提出了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现所述实施方式所述的方法。
本说明书实施方式提出了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述实施方式所述的方法。
本说明书实施方式通过确定目标药物处于预设药物分类体系中的类别和获取适应症涉及药物的不良反应描述的方式，实现了快速得到药物警戒信号的目的，达到了提高判断药物和不良反应关联关系的效果。
附图说明
图1所示为一实施方式提供的一个场景示例中不同端交互的示意图。
图2所示为一实施方式提供的一个场景示例中不同端交互的示意图。
图3所示为一实施方式提供的一个场景示例中客户端的示意图。
图4所示为一实施方式提供的一个场景示例中客户端的示意图。
图5所示为一实施方式提供的一个场景示例中客户端的示意图。
图6所示为一实施方式提供的一个场景示例中方法步骤的示意图。
图7所示为一实施方式提供的一个场景示例中方法步骤的示意图。
图8所示为一实施方式提供的一个场景示例中装置的示意图。
图9所示为一实施方式提供的一个场景示例中装置的示意图。
图10所示为一实施方式提供一个电子设备的功能示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书方案，下面将结合本说明书实施方式中的附图，对本说明书实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅是本说明书一部分实施方式，而不是全部的实施方式。基于本说明书中的实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式，都属于本说明书保护的范围。
请参阅图1和图2。本说明书提供的一种药物警戒信号生成方法的场景示例。所述药物警戒信号生成方法可以应用于包括客户端和服务器的系统。在一次药物警戒信号生成过程中，用户在客户端输入某药品名称，希望得到药品和不良发应是否有关联。
请参阅图3。用户在客户端输入一个药品名称“氯巴占”，希望的到“氯巴占”和对应的不良反应之间是否有关联。用户点击客户端“搜索”控件，客户端将处理请求发送至服务器。
服务器接受请求，在数据库中搜索“氯巴占”相关的信息。“氯巴占”在解剖学治疗学及化学分类系统(Anatomical Therapeutic Chemical，ATC)中可以被分为“ATC-1 N：神经系统”、“ATC-2N03：抗癫痫药物”、“ATC-3N03A：抗癫痫药物”、“ATC-4N03AE：苯二氮草衍生物”、“ATC-2N05：精神抑郁药”和“ATC-31 N05B：抗焦虑药”6类。“氯巴占”相关的适应症包括“头痛”、“惊厥发作”、“脑性麻痹”、“神经抑制剂恶性综合征”、“虐待儿童”和“缺氧性癫痫发作”6类。
服务器分别获取“氯巴占”在6类ACT分类中涉及的药物、不良反应和对应的不良反应报告数，服务器分别获取“氯巴占”在6类相关的适应症中涉及的药物、不良反应和对应的不良反应报告数。基于比值失衡分析法生成“氯巴占”对各个不良反应的成比例报告比值法信号(Proportional Reporting Ratio，PRR)、报告比值法信号(Report Ratio，ROR)或贝叶斯判别区间递进神经网络法信号(Bayesian Confidence Propagation Neural Network，BCPNN)或伽玛泊松分布缩减法(Gamma Poisson Shrinker，GPS)。
在每一个信号值大于设定阈值的情况下，认为目标药物与相应的不良反应描述表示的不良反应存在关联；在其他情况下，认为所述目标药物与相应的不良反应描述表示的不良反应可能无关联。
请参阅图4。服务器将结果返回客户端，客户端显示当“氯巴占”的分类层级属于“ATC-1 N：神经系统”时，会出现“线粒体DNA突变”这一不良反应，对应的药物警戒信号分别为“PRR：823、ROR：828和BCPNN：4.45”，每一个信号值大于设定阈值，判断“氯巴占”和“线粒体DNA突变”这一不良反应“可能有关联。”
当“氯巴占”的分类层级属于“ATC-1 N：神经系统”时，会出现“脑叶切除术”这一不良反应，对应的药物警戒信号分别为“PRR：333、ROR：334和BCPNN：2.3”，BCPNN信号值小于设定阈值，判断“氯巴占”和“脑叶切除术”这一不良反应“可能无关联。”
请参阅图5。客户端显示当“氯巴占”的适应症为“头痛”时，会出现“急性中耳炎”这一不良反应，对应的药物警戒信号分别为“PRR：1853、ROR：1952和BCPNN：1.20”，每一个信号值大于设定阈值，判断“氯巴占”和“急性中耳炎”这一不良反应“可能有关联。”
客户端显示当“氯巴占”的适应症信息为“头痛”时，会出现“口咽疼痛”这一不良反应，对应的药物警戒信号分别为“PRR：158、ROR：125和BCPNN：1.2”，PRR和ROR信号值小于设定阈值，判断“氯巴占”和“口咽疼痛”这一不良反应“可能无关联。”
以上所述仅为本说明书提供的一个场景示例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换等，均应包含在本发明的保护范围之内。
本说明书实施方式提供一种药物警戒信号生成的展示系统可以包括客户端和服务器。所述客户端可以是具有网络访问能力的电子设备。具体的，例如，客户端可以是台式电脑、平板电脑、笔记本电脑、智能手机、数字助理、智能可穿戴设备、导购终端、电视机、智能音箱、麦克风等。其中，智能可穿戴设备包括但不限于智能手环、智能手表、智能眼镜、智能头盔、智能项链等。或者，客户端也可以为能够运行于所述电子设备中的软件。服务器可以是具有一定运算处理能力的电子设备。其可以具有网络通信模块、处理器和存储器等。当然，所述服务器也可以是指运行于所述电子设备中的软体。所述服务器还可以为分布式服务器，可以是具有多个处理器、存储器、网络通信模块等协同运作的系统。或者，服务器还可以为若干服务器形成的服务器集群。或者，随着科学技术的发展，服务器还可以是能够实现说明书实施方式相应功能的新的技术手段。例如，可以是基于量子计算实现的新形态的“服务器”。
请参阅图6。本说明书实施方式提供的一种药物警戒信号生成方法，所述方法可以应用于客户端和服务器。方法可以包括以下步骤。
S110：确定目标药物处于预设药物分类体系中的类别，作为目标类别；其中，所述目标类别中包括多个药物。
所述目标药物可以是用户输入的药物，可以是用户希望得到不良反应结果的药物；所述预设药物分类体系可以是解剖学治疗学及化学分类系统，该系统可以将药物分为5个级别；所述目标类别可以是目标药物在所述预设药物分类体系中所属的各个层级。例如，“氯巴占”在解剖学治疗学及化学分类系统中可以被分为“ATC-1 N：神经系统”、“ATC-2N03：抗癫痫药物”、“ATC-3 N03A：抗癫痫药物”、“ATC-4 N03AE：苯二氮草衍生物”、“ATC-2N05：精神抑郁药”和“ATC-31 N05B：抗焦虑药”6类。
S120：获取所述目标类别中药物涉及的不良反应描述，和与所述不良反应描述对应的不良反应报告数量。
所述目标类别中药物涉及的不良反应描述可以是数据库中记载的所述目标类别中所有药物的不良反应名称。例如，“氯巴占”在解剖学治疗学及化学分类系统中可以被分为“ATC-1 N：神经系统”时，“ATC-1 N：神经系统”涉及的不良反应描述可以是“线粒体DNA突变，鼻唇沟变浅，淋巴管肌瘤病和妊娠期胆汁淤积”。
S130：使用所述不良反应报告数量，基于比值失衡分析法生成所述目标药物对应所述不良反应描述的药物警戒信号。
所述比值失衡测量法可以是通过不良反应报告中与某种药物有关的不良反应数据量与其他药物引发的其他不良反应数据的比值，如果所述比值失衡测量法得到的数值大于阈值，认为某种药物和某种不良反应存在关联；所述基于比值失衡分析法生成所述目标药物对应所述不良反应描述的药物警戒信号可以是比值失衡分析法信号、贝叶斯判别区间递进神经网络法信号或伽玛泊松分布缩减法信号。其中，比值失衡分析法信号可以是成比例报告比值法信号或报告比值法信号。
例如，“氯巴占”的分类层级属于“ATC-1 N：神经系统”时，会出现“鼻唇沟变浅”这一不良反应，对应的药物警戒信号分别为“PRR：2002、ROR：2004和BCPNN：0.85”，每一个信号值大于设定阈值，判断“氯巴占”和“鼻唇沟变浅”这一不良反应“可能有关联。”
通过获得所述目标药物处于预设药物分类体系中的类别，统计各个类别包括药物的不良反应报告数量，基于比值失衡测量法生成所述目标药物对应所述不良反应描述的药物警戒信号，用户可以知道目标药物和目标不良反应之间是否有关联，该方法更加精准的计算不良反应风险，以便对药品后续处理与优化药物。
在一些实施方式中，所述目标类别的数量为多个；相应的，在获取所述目标类别中药物涉及的不良反应描述，和与所述不良反应描述对应的不良反应报告数量的步骤，包括：分别获取多个所述目标类别中药物涉及的不良反应描述，和与所述不良反应描述对应的不良反应报告数量；相应的，生成所述目标药物对应所述不良反应描述的药物警戒信号，包括：分别使用每个目标类别对应的所述不良反应报告数量，基于比值失衡测量法分别生成对应所述不良反应描述的所述目标药物的药物警戒信号。
所述目标类别的数量为多个可以是药物可以处于解剖学治疗学及化学分类系统的多个类别。例如“一氟磷酸钠”药物处于解剖学治疗学及化学分类系统的5个类别：“A消化道及代谢；A01口腔病药物；A01A口腔病药物；A01AA龋齿预防药；A01AA02单氟磷酸钠”。
所述目标药物所处的目标类别可以包括多个药物，统计每个药物记载过不良反应数量。搜索基于比值失衡测量法分别生成对应所述不良反应描述的所述目标药物的药物警戒信号可以包括使用目标药物的目标不良反应报告数量、目标药物的其他不良反应报告数量、目标类别其他药物的目标不良反应报告数量和目标类别其他药物的其他不良反应报告数量进行计算。
计算目标药物所处的目标类别的药物警戒信号，增加了信号检测的分析维度，提高效率。将目标药物所处的目标类别进行分类，可以更准确的分析目标药物和目标不良反应之间的关联，供用户后续处理。
在一些实施方式中，所述方法还包括：在所述药物警戒信号的信号值大于设定阈值的情况下，认为所述目标药物与相应的不良反应描述表示的不良反应存在关联。
所述阈值可以是所述药物警戒信号的一个数值，可以是判断药物是否和不良反应有关联的临界值。所述目标药物与相应的不良反应描述表示的不良反应存在关联可以是目标药物有大概率导致相应的不良反应描述，需要研究人员注意。例如，“亮菌甲素”药物的“急性肾衰竭”不良反应的ROR药物警戒信号PRR的值的95％置信区间下限大于1，则认为服用“亮菌甲素”药物的人大概率会出现的“急性肾衰竭”的不良反应，需要研究人员注意。
请参阅图7。本说明书实施方式提供的一种药物警戒信号生成方法，所述方法可以应用于客户端和服务器。方法可以包括以下步骤。
S210：获取适应症涉及药物的不良反应描述，和与所述不良反应描述对应的不良反应报告数量；其中，所述不良反应描述表示患有所述适应症表示的疾病的病人使用所述药物之后，产生的不良反应；所述适应症涉及的药物中包括目标药物。
所述适应症可以是患者在服用目标药物前所患的疾病症。所述不良反应描述可以是不良反应的通用名称。例如，一位患者在“头痛”的情况下服用了“氯巴占”，“氯巴占”是一种作为成人癫痫的辅助治疗的药物。在此情况下，“头痛”可以是“氯巴占”的适应症涉及药物的不良反应描述。
S220：使用所述不良反应报告数量，基于比值失衡测量法生成所述目标药物对应所述不良反应描述的药物警戒信号。
所述基于比值失衡分析法生成所述目标药物对应所述不良反应描述的药物警戒信号可以是比值失衡分析法信号、贝叶斯判别区间递进神经网络法信号或伽玛泊松分布缩减法信号。其中，比值失衡分析法信号可以是成比例报告比值法信号或报告比值法信号。
通过获得所述目标药物的适应症的不良反应报告，统计各个类别包括药物的不良反应报告数量，基于比值失衡测量法生成所述目标药物对应所述适应症的不良反应描述的药物警戒信号，用户可以知道目标药物和目标不良反应之间是否有关联，该方法更加精准的计算不良反应风险，以便对药品后续处理与优化药物。
在一些实施方式中，所述适应症的数量为多个；相应的，在获取适应症涉及药物的不良反应描述，和与所述不良反应描述对应的不良反应报告数量的步骤，包括：分别获取多个所述适应症涉及药物的不良反应描述，和与所述不良反应描述对应的不良反应报告数量；相应的，生成所述目标药物对应所述不良反应描述的药物警戒信号，包括：分别使用每个适应症涉及药物的所述不良反应报告数量，基于比值失衡测量法分别生成对应所述不良反应描述的所述目标药物的药物警戒信号。
例如，目标药品为“氯巴占”时，服用“氯巴占”的患者适应症可以是“头痛”、“惊厥发作”、“脑性麻痹”、“神经抑制剂恶性综合征”、“虐待儿童”和“缺氧性癫痫发作”6类。当适应症选择“头痛”时，服务器可以计算出“头痛”涉及“氯巴占”的不良反应描述“急性中耳炎，C反应蛋白升高和口咽疼痛”。基于比值失衡测量法，服务器可以分别计算“患有急性中耳炎的患者服用氯巴占产生不良反应的药物警戒信号”、“患有C反应蛋白升高的患者服用氯巴占产生不良反应的药物警戒信号”和“患有口咽疼痛的患者服用氯巴占产生不良反应的药物警戒信号”。研究人员可以依据患者适应症，对药物进行改进。
请参阅图8。本说明书实施方式提供的一种药物警戒信号生成装置，包括：确定模块、获取模块和生成模块。
确定模块，用于确定目标药物处于预设药物分类体系中的类别，作为目标类别；其中，所述目标类别中包括多个药物；
获取模块，用于获取所述目标类别中药物涉及的不良反应描述，和与所述不良反应描述对应的不良反应报告数量；
生成模块，用于使用所述不良反应报告数量，基于比值失衡测量法生成所述目标药物对应所述不良反应描述的药物警戒信号。
请参阅图9。本说明书实施方式提供的一种药物警戒信号生成装置，包括：获取模块和生成模块。
获取模块，用于获取适应症涉及药物的不良反应描述，和与所述不良反应描述对应的不良反应报告数量；其中，所述不良反应描述表示患有所述适应症表示的疾病的病人使用所述药物之后，产生的不良反应；所述适应症涉及的药物中包括目标药物；
生成模块，用于使用所述不良反应报告数量，基于比值失衡测量法生成所述目标药物对应所述不良反应描述的药物警戒信号。
请参阅图10。在一些实施方式中可以提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现所述实施方式中的方法步骤。
在一些实施方式中可以提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现所述实施方式中的方法步骤。关于医疗信息中数据的抽取装置实现的具体功能和效果，可以参照本说明书其他实施方式对照解释，在此不再赘述。所述医疗信息中数据抽取装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。所述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一些实施方式中可以提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现所述实施方式中的方法步骤。
在一些实施方式中可以提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现所述实施方式中的方法步骤。
本领域普通技术人员可以理解实现所述实施方式方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如所述各方法的实施方式的流程。其中，本说明书所提供的各实施方式中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
本说明书多个实施方式之间，采用递进的方式进行描述。不同的实施方式着重于描述相较于其它实施方式不相同的部分。所属领域技术人员在阅读本说明书之后，可以获知本说明书中的多个实施方式，以及实施方式揭示的多个技术特征，可以进行更多种的组合，为使描述简洁，未对所述实施方式中的各个技术特征所有可能的组合都进行描述。然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书中的多个实施方式本身均着重于强调与其他实施方式不同的部分，各实施方式之间可以相互对照解释。所属领域技术人员基于一般的技术常识对本说明书中的多个实施方式的任意组合均涵盖于本说明书的揭示范围内。
以上所述仅为本案的实施方式而已，并不用于限制本案的权利要求保护范围。对于本领域技术人员来说，本案可以有各种更改和变化。凡在本案的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本案的权利要求范围之内。

Claims (13)

1.一种药物警戒信号生成方法，其特征在于，所述方法包括：
确定目标药物处于预设药物分类体系中的类别，作为目标类别；其中，所述目标类别中包括多个药物；
获取所述目标类别中药物涉及的不良反应描述，和与所述不良反应描述对应的不良反应报告数量；
使用所述不良反应报告数量，基于比值失衡分析方法生成所述目标药物对应所述不良反应描述的药物警戒信号。
2.根据权利要求1所述的方法，其特征在于，所述目标类别的数量为多个；
相应的，在获取所述目标类别中药物涉及的不良反应描述，和与所述不良反应描述对应的不良反应报告数量的步骤，包括：
分别获取多个所述目标类别中药物涉及的不良反应描述，和与所述不良反应描述对应的不良反应报告数量；
相应的，生成所述目标药物对应所述不良反应描述的药物警戒信号，包括：
分别使用每个目标类别对应的所述不良反应报告数量，基于比值失衡测量法分别生成对应所述不良反应描述的所述目标药物的药物警戒信号。
3.根据权利要求2所述的方法，其特征在于，所述比值失衡分析方法至少包括以下之一：比值失衡测量法、贝叶斯神经网络信息成分法和伽玛泊松缩减法；其中，比值失衡测量法至少包括以下之一：成比例报告比值法信号、报告比值法信号。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
在所述药物警戒信号的信号值大于设定阈值的情况下，认为所述目标药物与相应的不良反应描述表示的不良反应存在关联。
5.根据权利要求1所述的方法，其特征在于，所述预设药物分类体系包括解剖学治疗学及化学分类系统，所述目标类别包括处于不同层级的类别。
6.一种药物警戒信号生成方法，其特征在于，所述方法包括：
获取适应症涉及药物的不良反应描述，和与所述不良反应描述对应的不良反应报告数量；其中，所述不良反应描述表示患有所述适应症表示的疾病的病人使用所述药物之后，产生的不良反应；所述适应症涉及的药物中包括目标药物；
使用所述不良反应报告数量，基于比值失衡测量法生成所述目标药物对应所述不良反应描述的药物警戒信号。
7.根据权利要求6所述的方法，其特征在于，所述适应症的数量为多个；
相应的，在获取适应症涉及药物的不良反应描述，和与所述不良反应描述对应的不良反应报告数量的步骤，包括：
分别获取多个所述适应症涉及药物的不良反应描述，和与所述不良反应描述对应的不良反应报告数量；
相应的，生成所述目标药物对应所述不良反应描述的药物警戒信号，包括：
分别使用每个适应症涉及药物的所述不良反应报告数量，基于比值失衡测量法分别生成对应所述不良反应描述的所述目标药物的药物警戒信号。
8.根据权利要求7所述的方法，其特征在于，所述药物警戒信号至少包括以下之一：成比例报告比值法信号、报告比值法信号或贝叶斯判别区间递进神经网络法信号。
9.根据权利要求6所述的方法，其特征在于，所述方法还包括：
在所述药物警戒信号的信号值大于设定阈值的情况下，认为所述目标药物与相应的不良反应描述表示的不良反应存在关联。
10.一种药物警戒信号生成装置，其特征在于，包括：
确定模块，用于确定目标药物处于预设药物分类体系中的类别，作为目标类别；其中，所述目标类别中包括多个药物；
获取模块，用于获取所述目标类别中药物涉及的不良反应描述，和与所述不良反应描述对应的不良反应报告数量；
生成模块，用于使用所述不良反应报告数量，基于比值失衡测量法生成所述目标药物对应所述不良反应描述的药物警戒信号。
11.一种药物警戒信号生成装置，其特征在于，包括：
获取模块，用于获取适应症涉及药物的不良反应描述，和与所述不良反应描述对应的不良反应报告数量；其中，所述不良反应描述表示患有所述适应症表示的疾病的病人使用所述药物之后，产生的不良反应；所述适应症涉及的药物中包括目标药物；
生成模块，用于使用所述不良反应报告数量，基于比值失衡测量法生成所述目标药物对应所述不良反应描述的药物警戒信号。
12.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至9中任一项所述的方法。
13.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至9中任一项所述的方法骤。
CN202111646779.0A 2021-12-29 2021-12-29 药物警戒信号生成方法、装置、设备和介质 Pending CN114300159A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111646779.0A CN114300159A (zh) 2021-12-29 2021-12-29 药物警戒信号生成方法、装置、设备和介质
PCT/CN2022/136524 WO2023124802A1 (zh) 2021-12-29 2022-12-05 药物警戒信号生成方法、装置、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111646779.0A CN114300159A (zh) 2021-12-29 2021-12-29 药物警戒信号生成方法、装置、设备和介质

Publications (1)

Publication Number Publication Date
CN114300159A true CN114300159A (zh) 2022-04-08

Family

ID=80972407

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111646779.0A Pending CN114300159A (zh) 2021-12-29 2021-12-29 药物警戒信号生成方法、装置、设备和介质

Country Status (2)

Country Link
CN (1) CN114300159A (zh)
WO (1) WO2023124802A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023124802A1 (zh) * 2021-12-29 2023-07-06 上海太美数字科技有限公司 药物警戒信号生成方法、装置、设备和介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180004902A1 (en) * 2015-01-05 2018-01-04 Cincinnati Children's Hospital Medical Center System and Method for Data Mining Very Large Drugs and Clinical Effects Databases
US20180068089A1 (en) * 2016-09-06 2018-03-08 International Business Machines Corporation Data-driven prediction of drug combinations that mitigate adverse drug reactions
CN111402971A (zh) * 2020-03-06 2020-07-10 浙江大学医学院附属第一医院 一种基于大数据的药物不良反应快速识别方法及系统
CN112185547A (zh) * 2020-09-24 2021-01-05 重庆医科大学 药物性别差异性不良反应信号的检测方法
CN112669991A (zh) * 2020-12-28 2021-04-16 山东健康医疗大数据有限公司 一种药品不良反应信号检出方法
CN113362886A (zh) * 2021-07-26 2021-09-07 北京航空航天大学 基于药物显隐式特征融合相似性的不良反应预测方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104050612A (zh) * 2014-03-13 2014-09-17 无锡香象生物科技有限公司 一种基于云计算的药品比值比失衡安全监测方法
US10614196B2 (en) * 2014-08-14 2020-04-07 Accenture Global Services Limited System for automated analysis of clinical text for pharmacovigilance
CN108831563B (zh) * 2018-03-29 2021-09-28 南京邮电大学 一种用于判别药品不良反应信号分类检测的决策方法
CN114300159A (zh) * 2021-12-29 2022-04-08 浙江太美医疗科技股份有限公司 药物警戒信号生成方法、装置、设备和介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180004902A1 (en) * 2015-01-05 2018-01-04 Cincinnati Children's Hospital Medical Center System and Method for Data Mining Very Large Drugs and Clinical Effects Databases
US20180068089A1 (en) * 2016-09-06 2018-03-08 International Business Machines Corporation Data-driven prediction of drug combinations that mitigate adverse drug reactions
CN111402971A (zh) * 2020-03-06 2020-07-10 浙江大学医学院附属第一医院 一种基于大数据的药物不良反应快速识别方法及系统
CN112185547A (zh) * 2020-09-24 2021-01-05 重庆医科大学 药物性别差异性不良反应信号的检测方法
CN112669991A (zh) * 2020-12-28 2021-04-16 山东健康医疗大数据有限公司 一种药品不良反应信号检出方法
CN113362886A (zh) * 2021-07-26 2021-09-07 北京航空航天大学 基于药物显隐式特征融合相似性的不良反应预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
管宇: "基于ACEI药物不良反应的临床药物警戒研究", 《临床医学》 *
罗宝章;钱轶峰;叶小飞;孙亚林;杜文民;贺佳;: "药物不良反应信号检测方法的现状与展望", 药学服务与研究 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023124802A1 (zh) * 2021-12-29 2023-07-06 上海太美数字科技有限公司 药物警戒信号生成方法、装置、设备和介质

Also Published As

Publication number Publication date
WO2023124802A1 (zh) 2023-07-06

Similar Documents

Publication Publication Date Title
Xu et al. Large-scale combining signals from both biomedical literature and the FDA Adverse Event Reporting System (FAERS) to improve post-marketing drug safety signal detection
Noguchi et al. Review of statistical methodologies for detecting drug–drug interactions using spontaneous reporting systems
Yoon et al. Discovery and clinical decision support for personalized healthcare
Norén et al. A statistical methodology for drug–drug interaction surveillance
Kramer et al. Aerobic exercise for women during pregnancy
Wilson et al. Application of data mining techniques in pharmacovigilance
Min et al. Auditing as part of the terminology design life cycle
Li et al. Combining social media and FDA adverse event reporting system to detect adverse drug reactions
US20180210925A1 (en) Reliability measurement in data analysis of altered data sets
EP3382584A1 (en) A system and a method to predict patient behaviour
Hasan et al. Automatic detection of omissions in medication lists
Boussadi et al. A clinical data warehouse-based process for refining medication orders alerts
CN114300159A (zh) 药物警戒信号生成方法、装置、设备和介质
Shlobin et al. Classifying epilepsy pragmatically: Past, present, and future
Jiang et al. Recent trends in biomedical informatics: a study based on JAMIA articles
Reps et al. Refining adverse drug reaction signals by incorporating interaction variables identified using emergent pattern mining
Ashoori et al. A model to predict the sequential behavior of healthy blood donors using data mining
Zare et al. Chlorpromazine versus metiapine for schizophrenia
Reps et al. Signalling paediatric side effects using an ensemble of simple study designs
Zhang et al. Adverse drug reaction discovery from electronic health records with deep neural networks
Moon et al. Identification of out-of-hospital cardiac arrest clusters using unsupervised learning
Reading et al. Deprivation and incidence of epilepsy in children
Al-Sit et al. Iomt-based healthcare framework for ambient assisted living using a convolutional neural network
Djawad et al. Development of an intelligent mobile health monitoring system for the health surveillance system in indonesia
CN114639456A (zh) 医学审评的生成方法、装置、计算机设备和存储介质

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
TA01 Transfer of patent application right

Effective date of registration: 20220720

Address after: 201703 room 1288, Zone C, 12 / F, block B, No. 1-72, Lane 2855, Huqingping highway, Zhaoxiang Town, Qingpu District, Shanghai

Applicant after: Shanghai Taimei Digital Technology Co.,Ltd.

Address before: 3 / F, building 9, smart industry innovation park, 36 Changsheng South Road, Jiaxing City, Zhejiang Province, 314001

Applicant before: Zhejiang Taimei Medical Technology Co.,Ltd.

TA01 Transfer of patent application right