基于语义相似性的贝叶斯借用用于不良事件定量信号检测
计算与语言
2025-05-20 v3
摘要
我们提出了一种贝叶斯动态借用（BDB）方法，以增强针对不良事件（AEs）在非正式报告系统（SRSs）中的定量识别。该方法将稳健的元分析预测（MAP）先验嵌入贝叶斯层次模型，并纳入语义相似性测度（SSMs），以启用来自临床上类似的 MedDRA 首选术语（PT）到目标 PT 的加权信息共享。这一连续的相似性基于的借用克服了当前不平衡分析（DPA）中僵化层次分组的局限性。利用 2015至2019 年来自美国食品药品监督管理局（FDA）不良事件报告系统（FAERS）的数据，我们评估了称为 IC SSM 的方法，与传统信息组件（IC）分析以及在 MedDRA 高层次组别术语水平上进行借用的 IC（IC HLGT）进行比较。引用集合（PVLens）源自 FDA 产品标签更新，使我们能够在正式标记之前对方法性能进行前瞻性评估。IC SSM 方法显示出更高的灵敏度（1332/2337=0.570，Youden 指数 J=0.246），高于传统 IC（灵敏度 Se=0.501，J=0.250）和 IC HLGT（Se=0.556，J=0.225），平均提前约 5 个月识别更多真阳性。尽管整体 F1 分数和 Youden 指数略低，IC SSM 在早期上市后期或检测阈值提高时表现更好，比 IC HLGT 和传统 IC 提供更稳定和更相关的警报。这些发现支持将 SSM 信息化的贝叶斯借用作为传统 DPA 方法的可扩展且具有上下文感知的改进，其潜力可用于其他数据集的验证，并探索使用病例级别数据进行额外相似性度量和贝叶斯策略的研究。
引用
@article{arxiv.2504.12052,
title = {Semantic Similarity-Informed Bayesian Borrowing for Quantitative Signal Detection of Adverse Events},
author = {François Haguinet and Jeffery L Painter and Gregory E Powell and Andrea Callegaro and Andrew Bate},
journal= {arXiv preprint arXiv:2504.12052},
year = {2025}
}
备注
32 pages, 7 figures, 5 supplementary figures