模仿Bradford Hill因果性考量的监督式药物不良反应信号框架
人工智能
2016-07-22 v1
摘要
纵向观察性医疗大数据蕴含着丰富的信息，已被公认为获取新药物安全知识的潜在来源。然而，分析纵向观察性数据时存在许多复杂性与潜在问题。由于这些复杂性，利用观察性数据大规模检测负面副作用的现有方法在区分相关性与因果性方面均存在不足。为了充分利用这些数据，需要开发能够更好区分因果与非因果关系的新方法。本文提出以流行病学家Bradford Hill提出的一套因果性考量为基础进行特征工程，从而将监督学习应用于检测负面副作用的问题。Bradford Hill考量从多个视角审视药物与结局之间的关系，以判断其是否具有因果特征。我们训练分类器在这些视角中寻找模式，使其学会了区分相关性与因果性。本研究的创新之处在于将监督学习与Bradford Hill因果性考量相结合，实现Bradford Hill因果性评估的自动化。我们在一个被称为观察性医疗结果合作组织非特定关联参考集的药物安全黄金标准上对该框架进行了评估。该方法取得了优异的判别能力，曲线下面积介于0.792至0.940之间（现有最优方法为0.73），平均精度均值为0.640（现有最优方法为0.141）。所提出的特征可高效计算且易于更新，使该框架适用于大型观察性数据。
引用
@article{arxiv.1607.06198,
title = {Supervised Adverse Drug Reaction Signalling Framework Imitating Bradford Hill's Causality Considerations},
author = {Jenna Marie Reps and Jonathan M. Garibaldi and Uwe Aickelin and Jack E. Gibson and Richard B. Hubbard},
journal= {arXiv preprint arXiv:1607.06198},
year = {2016}
}