藥物警戒數據中不良事件識別的 R 和 Python 套件 - MDDC

Основные понятия

本文介紹了一個名為 Modified Detecting Deviating Cells (MDDC) 的新型模式發現方法,用於識別藥物警戒數據中的潛在不良事件。該方法能夠有效地識別與藥物相關的異常高報告數的不良事件。

Аннотация

本文介紹了一個名為 Modified Detecting Deviating Cells (MDDC) 的新型模式發現方法,用於識別藥物警戒數據中的潛在不良事件。MDDC 算法包括以下五個步驟:

1. 計算每個單元格的標準化 Pearson 殘差。
2. 根據標準化 Pearson 殘差將單元格分為兩組:非零單元格和觀察到的零單元格。使用 Tukey 箱線圖或蒙特卡羅模擬方法確定每列的上限閾值。
3. 計算每對不良事件之間的皮爾遜相關係數,並選擇與目標不良事件相關性較高的不良事件。
4. 根據步驟 3 中選擇的相關不良事件,對每個單元格進行加權預測。
5. 計算每個單元格的修正 p 值,並使用 Benjamini-Hochberg 程序控制假發現率,以識別最終的信號。

此外,該套件還包括一個專門用於模擬藥物警戒數據集的數據生成函數,該函數可以考慮不良事件之間的相關性。

Статистика

不良事件 Nausea 與藥物 Atenolol 的報告數為 994。
不良事件 Dyspnoea 與藥物 Bisoprolol 的報告數為 2368。
不良事件 Dyspnoea 與藥物 Metoprolol 的報告數為 1702。

Цитаты

"藥物警戒數據庫是監測醫療產品上市後安全性的重要工具。"
"MDDC 算法具有易於計算、考慮不良事件關係、數據驅動的閾值以及不依賴本體論的特點。"

Ключевые выводы из

MDDC: An R and Python Package for Adverse Event Identification in Pharmacovigilance Data

by Anran Liu, R... в arxiv.org 10-03-2024

https://arxiv.org/pdf/2410.01168.pdf

Дополнительные вопросы

如何將 MDDC 算法擴展到更複雜的數據結構,如時間序列或空間數據?

要將 MDDC 算法擴展到更複雜的數據結構，如時間序列或空間數據，可以考慮以下幾個步驟：

數據結構調整：首先，需要將時間序列或空間數據轉換為適合 MDDC 算法的格式。例如，對於時間序列數據，可以將其轉換為一個多維的 I × J 矩陣，其中 I 代表不同的時間點或空間位置，J 代表不同的藥物或不良事件。這樣的結構可以幫助算法捕捉到隨時間或空間變化的模式。

引入時間或空間依賴性：在 MDDC 算法中，可以考慮引入時間或空間的依賴性。例如，對於時間序列數據，可以使用自回歸模型（AR）或移動平均模型（MA）來捕捉時間上的依賴性。這樣可以在計算標準化的皮爾森殘差時，考慮到時間序列的趨勢和季節性。

擴展相關性計算：在計算不良事件之間的相關性時，可以使用時間序列的相關性指標，如滯後相關性，或空間數據的空間自相關指標（如莫蘭指數）。這樣可以更準確地識別出在時間或空間上相互影響的事件。

模擬和驗證：在擴展算法後，應進行模擬研究以驗證其性能。可以使用合成數據集來測試算法在不同時間或空間結構下的識別能力，並與傳統的 MDDC 算法進行比較。

通過這些步驟，MDDC 算法可以有效地應用於更複雜的數據結構，從而提高不良事件識別的準確性和可靠性。

如何在 MDDC 算法中引入專家知識,以提高識別不良事件的準確性?

在 MDDC 算法中引入專家知識可以通過以下幾種方式來提高不良事件識別的準確性：

定義先驗分佈：專家可以提供有關不良事件和藥物之間關係的先驗知識，這些知識可以用來定義先驗分佈。在 MDDC 算法中，這些先驗分佈可以用於調整標準化的皮爾森殘差的計算，從而提高信號檢測的靈敏度。

設置相關性閾值：專家可以根據臨床經驗或文獻提供的數據，幫助確定不良事件之間的相關性閾值。這樣可以在計算連接不良事件時，根據專家的建議來選擇合適的閾值，從而提高識別的準確性。

優化數據生成過程：在數據生成過程中，專家可以提供有關不良事件的分佈和特徵的知識，這些知識可以用來設計更符合實際情況的模擬數據集。這樣可以使模擬數據更具代表性，從而提高算法的性能。

後處理和解釋：在識別出不良事件後，專家可以參與後處理過程，幫助解釋結果並提供臨床意義。這樣可以確保識別出的信號不僅在統計上顯著，還在臨床上具有實際意義。

通過這些方法，專家知識的引入可以顯著提高 MDDC 算法在不良事件識別中的準確性和可靠性。

MDDC 算法是否可以應用於其他領域的異常檢測任務,如金融欺詐或網絡安全?

是的，MDDC 算法可以應用於其他領域的異常檢測任務，如金融欺詐或網絡安全，具體原因如下：

異常檢測的通用性：MDDC 算法的核心思想是識別異常模式，這一點在金融欺詐和網絡安全中同樣適用。在這些領域，異常行為通常表現為與正常行為顯著不同的模式，MDDC 算法可以有效地識別這些異常。

數據結構的相似性：金融欺詐和網絡安全數據通常可以表示為 I × J 的矩陣結構，其中 I 代表不同的事件或交易，J 代表不同的特徵或指標。這與 MDDC 算法的數據結構要求相符，使得算法可以直接應用。

擴展性：MDDC 算法的設計使其易於擴展，可以根據具體應用的需求進行調整。例如，在金融欺詐檢測中，可以考慮交易時間、金額等特徵的相關性；在網絡安全中，可以考慮不同用戶行為的異常模式。

結合其他技術：MDDC 算法可以與其他異常檢測技術結合使用，如機器學習和深度學習方法，以提高檢測的準確性和效率。這種結合可以幫助識別更複雜的異常模式，從而增強檢測能力。

總之，MDDC 算法的靈活性和通用性使其在金融欺詐和網絡安全等其他領域的異常檢測中具有廣泛的應用潛力。