一种用于识别药物和疫苗重复不良事件报告的可扩展预测建模方法
人工智能
2026-01-23 v2 机器学习
摘要
目标：推进大规模药物警戒数据库中重复检测的最新技术水平，并在来自不同国家的不良事件报告中实现更一致的性能。背景：指向同一病例的未链接不良事件报告会阻碍统计分析，并可能误导临床评估。药物警戒依赖于大型不良事件报告数据库来发现潜在的新因果关联，因此需要计算方法来大规模识别重复报告。当前最先进的技术是统计记录链接，其性能优于基于规则的方法。特别是 vigiMatch 已常规用于 WHO 全球不良事件报告数据库 VigiBase，代表了首个大规模部署的药物警戒统计重复检测方法。它最初为药物和疫苗开发，但由于各国间性能不一致，其在疫苗上的应用受到限制。方法：本文将 vigiMatch 从概率记录链接扩展到预测建模，利用特定国家的报告率细化药物、疫苗和不良事件的特征，从自由文本中提取日期，并为药物和疫苗分别训练支持向量机分类器。使用 5 个独立的标注测试集评估召回率。通过对被分类为重复的报告对进行随机抽样标注来评估精确率。结果：新方法在疫苗上的精确率为 92%，在药物上为 54%，而对比方法为 41%。疫苗的召回率在各个测试集中为 80-85%，药物为 40-86%，而对比方法为 24-53%。结论：预测建模、自由文本的使用以及特定国家的特征推进了药物警戒中重复检测的最新技术水平。
引用
@article{arxiv.2504.03729,
title = {A Scalable Predictive Modelling Approach to Identifying Duplicate Adverse Event Reports for Drugs and Vaccines},
author = {Jim W. Barrett and Nils Erlanson and Joana Félix China and G. Niklas Norén},
journal= {arXiv preprint arXiv:2504.03729},
year = {2026}
}
备注
26 pages, 11 figures