基于因果发现的药物不良反应信号发现方法及系统技术方案

本发明专利技术公开了一种基于因果发现的药物不良反应信号发现方法及系统。本发明专利技术利用电子病历数据发现药物不良反应信号的过程中引入因果关系，最大化的保留真实世界电子病历数据中的数据维度，构建包含因果效应的贝叶斯网络结构，以及同时对用药干预和不良事件发生产生作用的混杂因素集。混杂因素集构建方法从数据出发，无需人工接入和先验知识，最大程度保留真实世界中存在的混杂因素，基于这些混杂因素构建用药干预组与对照组，模拟随机对照实验，使得组间不良反应发生情况的对比具有因果意义，进而生成具有因果关系的药物不良反应信号，在临床指导中具有重要价值。临床指导中具有重要价值。临床指导中具有重要价值。

【技术实现步骤摘要】
基于因果发现的药物不良反应信号发现方法及系统


[0001]本专利技术属于医疗信息
，尤其涉及一种基于因果发现的药物不良反应信号发现方法及系统。

技术介绍

[0002]药物不良反应 (Adverse drug reactions，ADR) 可以定义为“与使用药物相关的干预措施导致的明显有害或令人不快的反应”。该定义包括由于错误、误用或滥用而发生的反应，对未经许可或在标签外使用的药物的可疑反应，以及正常剂量的药品的使用产生的反应。在过去的半个世纪里，检测潜在ADR的主要手段是自发报告系统，它们在世界范围内被广泛应用，并在不良事件罕见且不常见（少于接受治疗的患者的 1%）以及该事件是典型的药物诱发病症时非常有效，但自发报告系统依然存在漏报、选择性报告、重复报告等情况。
[0003]目前我国已经基本建立了药物不良反应监测体系。授权公告号为CN104765947B的专利技术专利《一种面向大数据的潜在药物不良反应数据挖掘方法》和授权公告号为CN111402971B的专利技术专利《一种基于大数据的药物不良反应快速识别方法及系统》都公开了基于自发报告的药物不良事件大数据挖掘潜在药物不良反应的方法。随着医疗信息化水平的不断发展，越来越多的数据被积累在电子病历等医疗信息系统当中，这些数据将为基于自发报告系统的药物不良反应发现带来新的补充证据。基于电子病历数据的ADR挖掘方法根据基本原理可以分为以下几类：基于比值失衡的方法、传统药物流行病学设计方法、处方序列对称分析、序贯统计检验、时序关联规则、有监督机器学习和树状扫描统计量等。授权公告号为CN110322944B的专利技术专利《药物不良反应智能检测方法、装置、系统和计算机装备》公开了一种利用多来源动态患者诊疗数据进行ADR发现的方法，以明确的药物不良反应发生规则作为推理依据，重点在于面向患者个体的药物不良反应发生判定。
[0004]真实世界中的临床场景较临床试验更为复杂，医生根据医学知识和经验给药，比如经常根据患者特征存在个性化给药的情况，因而药物在临床过程中产生的作用往往会与上市前的临床试验体现出不同的特征。无论是基于药物不良反应自发报告系统的数据还是基于电子病历数据，现有的药物不良反应发现方法主要可以分为两类：一类是基于已经确定的药物和不良反应相关知识进行显式的推理和判断；一类是基于数据分析或数据挖掘的方法。前者只是对现有知识进行临床应用，而后者只能在一定程度上发现药物和不良反应之间的相关性，相关性并不意味着存在因果关系，这会大大降低发现的潜在信号成为新的临床证据的可能性。

技术实现思路

[0005]本专利技术的目的在于针对现有技术的不足，提供一种基于因果发现的药物不良反应信号发现方法及系统。本专利技术利用电子病历数据发现药物不良反应信号的过程中引入因果关系，最大化的保留真实世界电子病历数据中的数据维度，构建包含因果效应的贝叶斯网
络结构，以及同时对用药干预和不良事件发生产生作用的混杂因素集，并基于该混杂因素集构建用药干预组与对照组，模拟随机对照实验，使得组间不良反应发生情况的对比具有因果意义，进而生成具有因果关系的药物不良反应信号。
[0006]本专利技术的目的是通过以下技术方案来实现的：根据本说明书的第一方面，提供一种基于因果发现的药物不良反应信号发现方法，该方法包括以下步骤：采集并清洗真实世界电子病历数据；选定目标药物和不良事件，将使用目标药物记为索引事件，将出现目标不良事件记为标志事件，根据发生索引事件或标志事件的患者人群构建患者队列；通过构建含有因果特性的贝叶斯网络，生成同时影响药物干预与不良反应发生的混杂因素集；基于混杂因素集构建干预组和对照组队列，模拟随机对照实验，评价干预组和对照组之间不良反应发生差异，生成具有因果关系的药物不良反应信号。
[0007]进一步地，所述目标药物为单一药物，或者具有相同疗效的一类药物，或者具备相同性质的一类药物；所述不良事件使用诊断，或者一类特定的实验室检验结果，或者同时使用诊断和一类特定的实验室检验结果来定义。
[0008]进一步地，将发生索引事件或标志事件的患者人群定义为入组人群，定义入排标准筛选所述入组人群，筛选后的入组人群构成患者队列，患者队列中的患者数据构成入组患者数据集。
[0009]进一步地，所述混杂因素集的生成方法包括：将患者队列中的患者数据记为入组患者数据集，包含表示索引事件是否发生的特征、表示标志事件是否发生的特征，以及入组患者从电子病历数据中提取出来的其他特征；通过单因素逻辑回归方法，保留对索引事件或对标志事件的发生会产生影响的特征，形成初筛后特征集；将初筛后特征集中的特征作为贝叶斯网络的节点，根据K2算法从入组患者数据集中学习到一个贝叶斯网络结构，在贝叶斯网络结构学习过程中引入因果关系，经过多轮迭代得到每个节点的父节点集合，将特征和共同的父节点认为是同时对索引事件和标志事件是否发生产生作用的因素，生成混杂因素集。
[0010]进一步地，对K2算法的节点优先次序进行优化，具体为：采用带有惩罚项的互信息计算公式计算初筛后特征集中特征的信息量，将所有特征按照信息量进行降序排序，按排序分配节点优先度。
[0011]进一步地，对K2算法的每个节点的最大父节点个数进行优化，具体为：计算初筛后特征集中每个特征与其他所有特征互信息和平均互信息，每个特征与其他特征的互信息值大于平均互信息值的次数记为该特征对应节点的最大父节点个数。
[0012]进一步地，对于贝叶斯网络中的每个节点，初始化时父节点集合为空集，计算网络评分，其中为评分函数，然后进入搜索节点的父节点的循环；
循环内，当集合中节点的个数小于最大父节点个数时，将满足节点优先次序在之前且不在内的节点作为候选节点，在候选节点中选择网络评分最大的节点z，将其网络评分记为，若，将的值赋给，并令，进入下一轮迭代，直到的时候停止循环，从而得到每个节点的父节点集合。
[0013]进一步地，评分函数的计算公式如下：其中，为集合中的节点个数，为的所有可能取值的个数，为中所有节点的可能取值的个数；代表入组患者数据集D中特征取第k种取值的数据实例数量；代表入组患者数据集D中特征取第k种取值并且的特征取第 j种取值的数据实例数量，为的特征取第 j种取值的数据实例数量；为时间因果效应强度。
[0014]进一步地，将索引事件是否发生作为干预，将标志事件是否发生作为结局，根据混杂因素集，采用倾向性评分匹配方法控制进入干预组和对照组的入组人群，对比两组人群间结局事件发生情况，当平均不良反应发生增益大于零时，认为当前干预和结局之间有因果关系，即当前选定药物会引发不良反应。
[0015]根据本说明书的第二方面，提供一种基于因果发现的药物不良反应信号发现系统，该系统包括：用于采集并清洗真实世界电子病历数据的数据采集模块；用于发现具有因果关系的药物不良反应信号的药物不良反应发现模块；用于呈现信号发现结果的信号结果显示模块；所述药物不良反应发现模块利用上述基于因果发现的药物不良反应信号发现方法，构建患者队列，构建含有因果特性的贝叶斯网络，生成混杂本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于因果发现的药物不良反应信号发现方法，其特征在于，包括以下步骤：采集并清洗真实世界电子病历数据；选定目标药物和不良事件，将使用目标药物记为索引事件，将出现目标不良事件记为标志事件，根据发生索引事件或标志事件的患者人群构建患者队列；通过构建含有因果特性的贝叶斯网络，生成同时影响药物干预与不良反应发生的混杂因素集；基于混杂因素集构建干预组和对照组队列，模拟随机对照实验，评价干预组和对照组之间不良反应发生差异，生成具有因果关系的药物不良反应信号。2.根据权利要求1所述的基于因果发现的药物不良反应信号发现方法，其特征在于，所述目标药物为单一药物，或者具有相同疗效的一类药物，或者具备相同性质的一类药物；所述不良事件使用诊断，或者一类特定的实验室检验结果，或者同时使用诊断和一类特定的实验室检验结果来定义。3.根据权利要求1所述的基于因果发现的药物不良反应信号发现方法，其特征在于，将发生索引事件或标志事件的患者人群定义为入组人群，定义入排标准筛选所述入组人群，筛选后的入组人群构成患者队列，患者队列中的患者数据构成入组患者数据集。4.根据权利要求1所述的基于因果发现的药物不良反应信号发现方法，其特征在于，所述混杂因素集的生成方法包括：将患者队列中的患者数据记为入组患者数据集，包含表示索引事件是否发生的特征、表示标志事件是否发生的特征，以及入组患者从电子病历数据中提取出来的其他特征；通过单因素逻辑回归方法，保留对索引事件或对标志事件的发生会产生影响的特征，形成初筛后特征集；将初筛后特征集中的特征作为贝叶斯网络的节点，根据K2算法从入组患者数据集中学习到一个贝叶斯网络结构，在贝叶斯网络结构学习过程中引入因果关系，经过多轮迭代得到每个节点的父节点集合，将特征和共同的父节点认为是同时对索引事件和标志事件是否发生产生作用的因素，生成混杂因素集。5.根据权利要求4所述的基于因果发现的药物不良反应信号发现方法，其特征在于，对K2算法的节点优先次序进行优化，具体为：采用带有惩罚项的互信息计算公式计算初筛后特征集中特征的信息量，将所有特征按照信息量进行降序排序，按排序分配节点优先度。6.根据权利要求4所述的基于因果发现的药物不良反应信号发现方法，其特...

【专利技术属性】
技术研发人员：李劲松，王昱，马爽，田雨，周天舒，
申请(专利权)人：之江实验室，
类型：发明
国别省市：