将不良事件报告数据向量表示改造至结构化知识以提升药物警戒信号检测
计算与语言
2020-08-11 v1
摘要
药物不良事件（ADE）普遍且代价高昂。临床试验在识别潜在 ADE 方面的能力有限，这促使了用于上市后监测的自发报告系统的发展。统计方法提供了一种从这些报告中检测信号的便捷方式，但鉴于其基于离散计数的性质，在利用药物与 ADE 之间关系方面存在局限。先前提出的方法 aer2vec 生成了捕捉相似性模式的 ADE 报告实体的分布式向量表示，但无法利用词汇知识。我们通过将 aer2vec 药物嵌入改造至来自 RxNorm 的知识，并开发一种使用向量重缩放以保留幅值的新型改造变体，解决了这一局限。在药物警戒信号检测任务的评估中，经改造的 aer2vec 在 minimally preprocessed 数据上训练时，始终优于不成比例性度量。在用于评估的两个药物警戒参考集中较大且更具挑战性的一个上，带重缩放的改造带来了进一步的改进。
引用
@article{arxiv.2008.03340,
title = {Retrofitting Vector Representations of Adverse Event Reporting Data to Structured Knowledge to Improve Pharmacovigilance Signal Detection},
author = {Xiruo Ding and Trevor Cohen},
journal= {arXiv preprint arXiv:2008.03340},
year = {2020}
}
备注
To be published in the Proceedings of AMIA 2020 Annual Symposium