Сравнительный анализ методов фармаконадзора для выявления нежелательных лекарственных реакций с использованием электронных медицинских записей

Comparative analysis of pharmacovigilance methods in the detection of adverse drug reactions using electronic medical records
Michael E. Matheny, Joshua C. Denny, Jonathan S. Schildcrout, Randolph A. Miller, Mei Liu, Eugenia McPeek Hinz, Huiqin Xu
2012-11-18

байесовская сеть с распространением доверия (BCPNN)побочные реакции на лекарственные препаратыэлектронные медицинские записипропорциональное отношение отчетов (PRR)отношение шансов отчетов (ROR)
ЦЕЛЬ: Безопасность лекарств требует мониторинга каждого препарата в течение всего срока его обращения на рынке, поскольку раннее выявление нежелательных лекарственных реакций (НЛР) может послужить сигналом, предотвращающим вред пациенту. В последнее время электронные медицинские записи (ЭМЗ) стали ценным ресурсом для фармаконадзора. В настоящем исследовании анализируется использование ретроспективных назначений препаратов и результатов лабораторных исследований стационарных пациентов, задокументированных в ЭМЗ, для идентификации НЛР. МЕТОДЫ: С использованием 12 лет данных ЭМЗ Медицинского центра Университета Вандербильта (VUMC) мы разработали исследование, направленное на корреляцию аномальных лабораторных результатов с конкретным введением препарата путем сравнения исходов у группы, подвергшейся воздействию препарата, и сопоставленной негруппы. Мы оценили относительные достоинства шести показателей фармаконадзора, применяемых в системах спонтанной отчетности (SRS): proportional reporting ratio (PRR), reporting odds ratio (ROR), Yule's Q (YULE), χ2-тест (CHI), Bayesian confidence propagation neural networks (BCPNN) и gamma Poisson shrinker (GPS). РЕЗУЛЬТАТЫ: Мы систематически оценили методы на двух независимо составленных эталонных наборах данных «препарат–событие». Набор данных Yoon et al. содержал 470 пар «препарат–событие» (10 препаратов и 47 лабораторных аномалий). Используя ЭМЗ VUMC, мы создали дополнительный набор из 378 пар «препарат–событие» (9 препаратов и 42 лабораторных аномалии). Оценка по нашему эталонному набору показала, что CHI, ROR, PRR и YULE имели одинаковую F-меру (62%). При использовании эталона Yoon et al. наилучший F-показатель (68%) показал ROR, с точностью 77% и полнотой 61%. ВЫВОДЫ: Результаты свидетельствуют о том, что лабораторные измерения, полученные из ЭМЗ, и назначения медикаментов могут помочь подтвердить ранее сообщавшиеся НЛР и выявлять новые НЛР.
1
Лабораторные измерения из ЭМК в сочетании с назначениями лекарств могут подтверждать известные ADR и обнаруживать новые сигналы ADR.
2
Ретроспективные назначения лекарств и результаты лабораторных исследований из ЭМК можно использовать для выявления и подтверждения побочных реакций на лекарства (ADR).
3
На эталонном наборе VUMC (378 пар «лекарство-событие») CHI, ROR, PRR и YULE показали одинаковую F-меру 62%.
4
На эталонном наборе Yoon et al (470 пар «лекарство-событие») ROR показал наилучшую F-меру 68% с точностью 77% и полнотой 61%.
5
Были сравнены шесть мер фармаконадзора из спонтанных отчетных систем (PRR, ROR, YULE, CHI, BCPNN, GPS) с использованием 12 лет данных ЭМК VUMC.

Зафиксированные в электронных медицинских записях назначения лекарств и результаты лабораторных исследований для стационарных пациентов, используемые в фармаконадзоре

Сравнительная оценка эффективности шести методов выявления сигналов в фармаконадзоре (PRR, ROR, YULE, CHI, BCPNN, GPS) для обнаружения и верификации нежелательных лекарственных реакций посредством корреляции приёма препаратов с аномальными лабораторными результатами

Publication Details
Publication Date
2012-11-18
Journal
Publisher
ISSN
Access Type
Author Information
Authors
Michael E. Matheny
Joshua C. Denny
Jonathan S. Schildcrout
Randolph A. Miller
Mei Liu
Eugenia McPeek Hinz
Huiqin Xu
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat
Make a presentation
100%