药物不良反应监测方法、装置、电子设备及可读存储介质制造方法及图纸

本发明专利技术提供了一种药物不良反应监测方法、装置、电子设备及计算机可读存储介质，以解决提高树状扫描统计量在药物不良反应监测准确性的技术问题。所述药物不良反应监测方法包括：获得用于树状扫描统计量的医疗观测数据，所述医疗观测数据包含经倾向评分匹配的实验组数据与对照组数据；获得用于树状扫描统计量的树状结构数据，所述树状结构数据用于反映疾病诊断分层树状结构；使用所述医疗观测数据和树状结构数据进行树状扫描统计量从而挖掘目标药物不良反应信号。通过倾向评分匹配能够平衡实验组数据与对照组数据中的不良反应混杂影响因素，使用所述医疗观测数据和树状结构数据进行树状扫描统计量可以更为准确的挖掘目标药物不良反应信号。

【技术实现步骤摘要】
药物不良反应监测方法、装置、电子设备及可读存储介质
本说明书提供的专利技术创造的实施例涉及医疗数据处理
，具体涉及一种药物不良反应监测方法、装置、电子设备及计算机可读存储介质。
技术介绍
近年来，因药品不良反应(AdverseDrugReaction，ADR)而引起的药品安全性事件频发，开展药品上市后不良反应监测工作尤显重要。目前国内外ADR监测均以自发报告的被动监测为主。由于自发报告系统为自愿而非强制，不可避免的会出现漏报；且因缺乏整体用药人群基数，无法计算ADR的发生率，因此无法衡量发生风险并分析相应危险因素，在时效性和发掘未知信号的能力方面也存在欠缺。虽然流行病学专题调查为主的主动监测可以弥补自发报告系统的上述不足，但花费高，且费时费力，时效性较差。因此，开发快速有效的主动监测方法是当前ADR监测中的热点。随着医疗记录电子化的不断进步和数据库系统的完善，大数据技术的信号挖掘技术的提高，以基于大规模现有电子医疗数据(如电子病历数据、医保数据、区域医疗数据等)开展ADR主动监测成为可能。电子医疗数据库具有海量的信息，自动记录了临床日常的诊疗过程，包括患者的诊断和处方医嘱、症状体征、实验室检查等信息，较好地反映了临床实践情况。利用电子医疗数据可以快速有效地识别使用某种药物的患者，不仅弥补自发报告系统无法获得分母以及流行病学专题调查花费高、时效性差的缺点，而且可以快速高效地发现和识别药品安全信号，尤其是罕见不良事件。目前常见的基于电子医疗数据的ADR信号挖掘方法包括两类：①比例失衡方法，如贝叶斯可信区间递进神经网络法(BayesianConfidencePropagationNeuralNetwork，BCPNN)和泊松压缩估计法(GammaPoissonShrinker，GPS)等；②传统药物流行病学设计方法，如队列研究粗率的显著性检验(CrudeCohort)等。上述这些方法也存在一定局限性，如仅适用于分析需要药物治疗的不良事件，无法自动检测所有药物-事件对，多重检验增加结果假阳性等问题。树状扫描统计量(Tree-basedScanStatistic，TreeScan)是一种基于电子医疗数据库的信号挖掘方法，该方法能够同时对大量的药物-事件对进行挖掘，在调整多重检验问题后找出有统计显著性的ADR信号，从而为ADR的监测和预警提供信号依据，因此，TreeScan在一定程度上克服了上述常见的基于电子医疗数据的ADR信号挖掘方法的不足。TreeScan的实施需要先获得用于树状扫描统计量的医疗观测数据以及树状结构数据，然后再使用医疗观测数据和树状结构数据进行树状扫描统计量从而挖掘目标药物不良反应信号，而目前的TreeScan所挖掘的ADR信号仍存在一些假阳性信号而影响ADR监测的准确性。专利技术创造内容本说明书提供的专利技术创造的实施例的目的在于提供一种药物不良反应监测方法、装置、电子设备及计算机可读存储介质，以解决提高树状扫描统计量(TreeScan)在药物不良反应监测准确性的技术问题。为了实现上述目的，根据本说明书的一个方面，提供了一种药物不良反应监测方法，包括：获得用于树状扫描统计量的医疗观测数据，所述医疗观测数据包含经倾向评分匹配的实验组数据与对照组数据；获得用于树状扫描统计量的树状结构数据，所述树状结构数据用于反映疾病诊断分层树状结构；使用所述医疗观测数据和树状结构数据进行树状扫描统计量从而挖掘目标药物不良反应信号。根据本说明书提供的药物不良反应监测方法的实施例，所述医疗观测数据的建立包括：建立用于倾向评分匹配的实验组初步医疗观测数据、对照组初步医疗观测数据和不良反应混杂影响因素体系；根据不良反应混杂影响因素体系对实验组初步医疗观测数据和对照组初步医疗观测数据进行倾向评分；根据倾向评分结果对实验组初步医疗观测数据与对照组初步医疗观测数据进行倾向评分匹配，从而获得实验组数据与对照组数据；所述不良反应混杂影响因素体系包含由被观测人员的医疗信息构成的不良反应混杂影响因素，通过学术信息收集获得的不良反应混杂影响因素和通过统计分析方法获得的不良反应混杂影响因素中的一种或几种不良反应混杂影响因素。根据本说明书提供的药物不良反应监测方法的实施例，所述由被观测人员的医疗信息构成的不良反应混杂影响因素包含被观测人员的年龄、性别、医保类型、合并疾病、合并用药、住院次数、门诊次数中的一种或几种医疗信息。根据本说明书提供的药物不良反应监测方法的实施例，所述通过学术信息收集获得的不良反应混杂影响因素包含通过学术检索获得的不良反应混杂影响因素。根据本说明书提供的药物不良反应监测方法的实施例，所述通过统计分析方法获得的不良反应混杂影响因素包含通过机器学习获得的不良反应混杂影响因素。根据本说明书提供的药物不良反应监测方法的实施例，所述机器学习采用随机森林模型、支持向量机模型、提升方法中的一种或几种筛选与药物使用和不良反应存在关联的不良反应混杂影响因素。根据本说明书的一个方面，提供了一种药物不良反应监测装置，包括：医疗观测数据储存模块，储存用于树状扫描统计量的医疗观测数据，所述医疗观测数据包含经倾向评分匹配的实验组数据与对照组数据；树状结构数据储存模块，储存用于树状扫描统计量的树状结构数据，所述树状结构数据用于反映疾病诊断分层树状结构；树状扫描统计量模块，使用所述医疗观测数据和树状结构数据进行树状扫描统计量从而挖掘目标药物不良反应信号。根据本说明书提供的药物不良反应监测装置的实施例，药物不良反应监测装置包括医疗观测数据获取模块，用于所述医疗观测数的建立，该医疗观测数的建立包括：建立用于倾向评分匹配的实验组初步医疗观测数据、对照组初步医疗观测数据和不良反应混杂影响因素体系；根据不良反应混杂影响因素体系对实验组初步医疗观测数据和对照组初步医疗观测数据进行倾向评分；根据倾向评分结果对实验组初步医疗观测数据与对照组初步医疗观测数据进行倾向评分匹配，从而获得实验组数据与对照组数据；所述不良反应混杂影响因素体系包含由被观测人员的医疗信息构成的不良反应混杂影响因素，通过学术信息收集获得的不良反应混杂影响因素和通过统计分析方法获得的不良反应混杂影响因素中的一种或几种不良反应混杂影响因素。根据本说明书提供的药物不良反应监测装置的实施例，所述由被观测人员的医疗信息构成的不良反应混杂影响因素包含被观测人员的年龄、性别、医保类型、合并疾病、合并用药、住院次数、门诊次数中的一种或几种医疗信息。根据本说明书提供的药物不良反应监测装置的实施例，所述通过学术信息收集获得的不良反应混杂影响因素包含通过学术检索获得的不良反应混杂影响因素。根据本说明书提供的药物不良反应监测装置的实施例，所述通过统计分析方法获得的不良反应混杂影响因素包含通过机器学习获得的不良反应混杂影响因素。根据本说明书提供的药物不良反应监测装置的实施例，所述机器学习采用随机森林模型、支持向量机模型、提升方法中的一种或几种筛选与药物使用和不良反应存在关联的不良反应混杂影响因素。根据本说明书的一个方面，本文档来自技高网...

【技术保护点】
1.药物不良反应监测方法，其特征在于，包括：/n获得用于树状扫描统计量的医疗观测数据，所述医疗观测数据包含经倾向评分匹配的实验组数据与对照组数据；/n获得用于树状扫描统计量的树状结构数据，所述树状结构数据用于反映疾病诊断分层树状结构；/n使用所述医疗观测数据和树状结构数据进行树状扫描统计量从而挖掘目标药物不良反应信号。/n

【技术特征摘要】
1.药物不良反应监测方法，其特征在于，包括：
获得用于树状扫描统计量的医疗观测数据，所述医疗观测数据包含经倾向评分匹配的实验组数据与对照组数据；
获得用于树状扫描统计量的树状结构数据，所述树状结构数据用于反映疾病诊断分层树状结构；
使用所述医疗观测数据和树状结构数据进行树状扫描统计量从而挖掘目标药物不良反应信号。


2.如权利要求1所述的药物不良反应监测方法，其特征在于，所述医疗观测数据的建立包括：
建立用于倾向评分匹配的实验组初步医疗观测数据、对照组初步医疗观测数据和不良反应混杂影响因素体系；
根据不良反应混杂影响因素体系对实验组初步医疗观测数据和对照组初步医疗观测数据进行倾向评分；
根据倾向评分结果对实验组初步医疗观测数据与对照组初步医疗观测数据进行倾向评分匹配，从而获得实验组数据与对照组数据；
所述不良反应混杂影响因素体系包含由被观测人员的医疗信息构成的不良反应混杂影响因素，通过学术信息收集获得的不良反应混杂影响因素和通过统计分析方法获得的不良反应混杂影响因素中的一种或几种不良反应混杂影响因素。


3.如权利要求2所述的药物不良反应监测方法，其特征在于：
所述由被观测人员的医疗信息构成的不良反应混杂影响因素包含被观测人员的年龄、性别、医保类型、合并疾病、合并用药、住院次数、门诊次数中的一种或几种医疗信息；并且/或者
所述通过学术信息收集获得的不良反应混杂影响因素包含通过学术检索获得的不良反应混杂影响因素；并且/或者
所述通过统计分析方法获得的不良反应混杂影响因素包含通过机器学习获得的不良反应混杂影响因素。


4.如权利要求3所述的药物不良反应监测方法，其特征在于：所述机器学习采用随机森林模型、支持向量机模型、提升方法中的一种或几种筛选与药物使用和不良反应存在关联的不良反应混杂影响因素。


5.药物不良反应监测装置，其特征在于，包括：
医疗观测数据储存模块，储存用于树状扫描统计量的医疗观测数据，所述医疗观测数据包含经倾向评分匹配的实验组数据与对照组数据；
树状结构数据储存模块，储存用于树状扫描统计量的树状...

【专利技术属性】
技术研发人员：李海龙，张伶俐，曾力楠，万朝敏，伯贞艳，黄亮，张川，杨春松，焦雪峰，陈哲，秋莎，徐佩佩，
申请(专利权)人：四川大学华西第二医院，
类型：发明
国别省市：四川;51