利用关联规则挖掘精炼电子医疗数据中的药物不良反应
数据库
2016-11-17 v1 计算工程、金融与科学
机器学习
摘要
处方药物的副作用是常见现象。电子医疗数据库提供了高效识别新副作用的机会，但当前方法由于混杂（即当两个变量之间的关联是由于它们都与第三个变量相关联而被识别时）而受限。在本文中，我们提出一种概念验证方法，该方法学习常见关联，并利用此知识通过移除由混杂引起的暴露-结局关联实例来自动精炼副作用信号（即暴露-结局关联）。这留下了最有可能对应真实副作用发生的信号实例。然后我们计算一种称为混杂校正风险值的新度量，即患者在暴露后 60 天内经历该结局的更准确的绝对风险值。初步结果表明该方法有效。对于所研究的四个信号（即暴露-结局关联），我们能够正确地过滤掉大多数不太可能对应真实副作用的暴露-结局实例。当针对特定健康结局调优关联规则挖掘参数时，该方法可能会改进。本文表明，基于从考虑患者医疗史中学到的关联规则，在患者层面过滤信号可能是可行的。然而，还需要额外工作来开发一种自动化调优该方法参数的方法。
引用
@article{arxiv.1502.05943,
title = {Refining Adverse Drug Reactions using Association Rule Mining for Electronic Healthcare Data},
author = {Jenna M. Reps and Uwe Aickelin and Jiangang Ma and Yanchun Zhang},
journal= {arXiv preprint arXiv:1502.05943},
year = {2016}
}
备注
IEEE International Conference of Data Mining: Data Mining in Biomedical Informatics and Healthcare (DMBIH) Workshop 2014, 2014