用于药物不良反应检测的logistic回归中的贝叶斯模型选择

动机：自发不良事件报告在检测药物不良反应方面具有很高潜力。然而，由于其维度，探索此类数据库需要统计方法。在此背景下，使用了不成比例性度量。但是，通过将数据投影到列联表上，这些方法对联合处方和掩蔽效应问题变得敏感。近来，带有Lasso型惩罚的logistic回归已被用于执行药物与不良事件之间关联的探测。然而，惩罚值的选择备受批评，同时它强烈影响结果。结果：本文中，我们提出使用一种logistic回归，将其稀疏性视为模型选择挑战。由于模型空间巨大，Metropolis-Hastings算法通过最大化BIC准则来进行模型选择。从而，我们避免了惩罚或阈值的校准。在法国药物警戒数据库上的应用中，所提方法在参考数据集上与既有成熟方法比较，获得了更好的阳性与阴性对照率。然而，许多信号未被所提方法检测到。因此，我们得出结论：该方法应与药物警戒中现有度量并行使用。