[发明专利]一种基于关联规则分析的药品不良反应信号检测方法

说明书

本发明提供了一种基于关联规则分析的药品不良反应信号检测方法，所述检测方法以我国药品不良反应ADR自发报告数据为基础，对原始的数据记录进行汇总并整理成表格，计算各项集中需要计算的参数；然后以MHRA信号检测方法得出的阳性信号数量作为参照，确定支持度和置信度两个最小阈值的大致范围与调整步长；接着以MHRA法产生的信号集作为参考标准，计算不同支持度和置信度阈值条件下的召回率、精度、F指标值以及KS值；从所有组合测试的结果中，选择KS最大值时所对应的支持度阈值和置信度阈值，为本方法的最小支持度阈值和最小置信度阈值，在这种情况下药品和不良反应之间存在关联关系。

技术领域

本发明涉及一种信号检测方法，具体涉及一种基于关联规则分析的药品不良反应信号检测方法，属于药品安全数据挖掘领域。

背景技术

药品安全问题自提出以来，一直都是受到重视的热点问题之一，它同人民健康、社会安稳密切相关。当今，国内已建立起系统性的药品不良反应(Adverse Drug Reaction,ADR) 自发呈报数据库。作为药物安全监测的主要部分，它能定期收集病人和保健专业人员的不良事件报告，从分析中获取最全面的药物与不良反应之间的关系，为临床运用与实际研究提供重要的支持。ADR信号挖掘是从ADR自发呈报系统的数据库中，通过信号挖掘技术，高效、精确地挖掘ADR发生的规则和信号。

药品不良反应信号检测是指通过各类信号检测技术找出药品与不良反应事件之间可能存在因果关系，这种关系是未知的或者以前的文献资料不能充分证实的。关联规则是一种经典的数据挖掘方法，现在已经被广泛应用于医学领域。关联规则挖掘中，支持度置信度是两个最重要的参数，支持度表示同时包含事务A和事务B的事务占所有事务的比例，表示规则的实用性；置信度表示包含事务A的事务中同时包含事务B的比例，表示规则的确定性。但是，支持度置信度的阈值是由人为设定的，这将可能导致得出的规则拟合度高或者信号缺失严重。

关联规则的挖掘算法大都在用户设置的支持度阈值的限制条件下，挖掘出数据属性之间的关系。但是如果没有相关领域的专门知识，很难人为设置合适的支持度阈值。如果阈值设置得过高,一些隐含于数据中非频繁特征或稀少特征项中的规则就可能被忽略掉,难以发现足够的分类规则；如果设置得过小，又可能会产生过多的分类规则,甚至是无意义规则,最终导致过拟合问题。

发明内容

本发明将关联规则分析方法应用于药品不良反应信号检测，基于我国药品不良反应监测数据和药品说明书数据，设计了信号检测性能的评价指标并提出了支持度和置信度阈值的确定方法。本发明提供了一种基于关联规则分析的药品不良反应信号检测方法，采用以下技术方案：

步骤1、基于我国药品不良反应ADR自发报告数据进行数据预处理，将原始数据汇总并整理成表格；所述表格包含药品名称、不良反应名称、该药物产生目标不良反应的记录数a、该药物产生其它不良反应的记录数b、其它药物产生目标不良反应的记录数c、其它药物产生其它不良反应的记录数d、PRR、卡方值χ²、MHRA、支持度Sup、置信度Con、信号标志SC11、目标药物产生所有不良反应的记录数ab、所有药物产生目标不良反应的记录数ac和该数据集的总记录数abcd；

步骤2、计算步骤1整理的表格中每条药品记录需要计算的参数值；所述参数值包括b、 c、d、PRR值、χ²值、MHRA 值、支持度和置信度，

步骤3、以MHRA法产生的阳性信号数量作为参考，确定支持度和置信度两个最小阈值的大致范围与调整步长；

步骤4、以MHRA法产生的信号集作为参考，计算每次设定支持度和置信度条件下的召回率、精度、F指标值和KS值；

步骤5、找到KS值最大的记录并分析。

优选地，步骤1中所述MHRA为经MHRA 法判别后的信号阳/阴性判断，设阳性为“1”，阴性为“0”；所述SC11为支持度与置信度是否均大于所设定的阈值，当支持度和置信度均大于设为“1”，否则为“0”。