基于本体的药物不良反应挖掘进展

上市后药物警戒对于识别在上市前临床试验中未能检出的药物不良反应（ADRs）至关重要。本研究探索了一种将不良事件（AE）本体整合到零膨胀负二项模型中的新方法，以改善 ADR 检测。通过考虑相关 AE 之间的生物学相似性并处理零值的过剩，该方法更有效地分离了 AE 关联。统计显著性通过保留单个报告中 AE 相关性的基于排列的最大统计量进行评估。模拟和应用到 Veneto 药物安全数据库的真实数据表明，基于本体的模型持续优于 Gamma-Poisson Shrinker（GPS）等经典模型。对于选择后推断，我们进一步探索了卷积封闭族的数据稀疏化技术，在保留所有药物-AE 对的同时实现独立训练集和验证集的构建。该技术与可能导致某些药物或 AE 在一个子集中缺失的传统随机 train/test 划分以及需要将聚合计数展开为个体实例的分层划分进行了比较。数据稀疏化技术和分层划分产生了非常相似的结果，分层划分略有优势，两者均明显优于随机划分，从而确保了可靠且一致的模型评估。