[發明專利]一種基于標簽傳播算法的臨床藥品-藥品不良反應檢測方法

有效

• 申請號: 201810010035.1
• 申請日: 2018-01-05
• 公開（公告）號: CN108376567B
• 公開（公告）日: 2022-04-01
• 發明（設計）人: 張強;魏小鵬;燕智策;趙臘生
• 申請（專利權）人: 大連大學
• 主分類號: G16H70/40
• 分類號: G16H70/40;G16H20/10;G06K9/62
• 代理公司: 大連八方知識產權代理有限公司 21226
• 代理人: 衛茂才

本發明涉及一種基于標簽傳播算法的臨床藥品?藥品不良反應檢測方法。基于給定藥品樣本集的新相似性與標簽初始化重構標簽傳播方式,進而用于藥品?藥品不良反應的檢測。首先，采用CHI方法對藥品特征進行過濾，選擇包含信息量較大的特征；其次，根據樣本標簽相似性與拉普拉斯算子調整的樣本相似性構造新的樣本相似性；然后，基于已知標簽樣本的信息建立未知標簽樣本的初始化信息；最后，通過標簽傳播檢測不良反應的藥品。本發明對藥品相似性計算方式與標簽傳播方式進行了重構，使得藥品之間的相似性更加精確，標簽傳播方式更加順利，能夠有效地提高臨床階段藥品?藥品不良反應的檢測。

技術領域

本發明涉及藥品安全性檢測領域，具體涉及一種基于標簽傳播算法的臨床藥品-藥品不良反應檢測方法。

背景技術

傳統的藥品安全性檢測方法中，如頻數法(報告比例比法(PRR)，報告比值比法(ROR)和綜合標準法(MHRA))與貝葉斯法(貝葉遜置信度增殖神經網絡(BCPNN)和多變量伽馬-泊松分布縮減法(MGPS))等方法都是針對市場上已經出現不良反應藥品進行的檢測。而現實生活中，需要對上市前的藥品進行檢測，防止一些不安全藥品出現在市場上，這些不安全藥品服用后可能會引發其他的疾病或者造成患者的死亡。近年來，隨著大數據的火熱，在醫藥領域也開始使用大數據方法進行新藥品的檢測，主要的檢測方法分為兩大類：基于相似性的方法和基于分類模型的方法。基于相似性方法采用相似的藥品和同一種藥品之間發生著相同作用的這一假設。而基于分類模型的方法是把藥品研究問題看作二分類問題，利用傳統的數據挖掘或機器學習方法進行檢測。目前，在藥品大數據研究領域中，研究者更習慣用基于相似性假設的方法，這是因為基于相似性的方法更能解釋藥品發生不良反應的原因，而且與基于分類模型的方法相比較，也能夠獲得更高的檢測能力。

雖然研究者利用基于相似性的方法在藥品檢測方面取得了大量的貢獻，但新藥品中仍然存在大量的不良反應出現在市場上。這是因為基于相似性的方法直接利用藥品之間的相似性并不能把藥品準確的歸類(它們之間存在著大量類別重合的現象)。標簽傳播算法(LPA)就是一種基于相似性方法提出的藥品不良反應檢測算法。在標簽傳播算法中，研究者根據已知標簽的樣本，直接利用樣本之間的相似性，迭代的傳播標簽，直到樣本的標簽信息值收斂為止，這樣就會獲得檢測樣本的不良反應信息。然而這種方法除了相似性方法的不足外，還具有樣本數據特征信息選取上的不足與未標簽樣本標簽初始化方式上的不足。

發明內容

本發明分別從給出數據的特征、數據樣本相似性、以及樣本標簽初始化方面對標簽傳播算法進行相應的調整，提出了一種基于標簽傳播算法的臨床藥品-藥品不良反應檢測方法，以完善藥品相似性方法上的不足與標簽傳播算法的不足。

本發明為解決其技術問題所采用的技術方案為提供一種基于標簽傳播算法的臨床藥品-藥品不良反應檢測方法，該方法包括以下步驟：

步驟1：采用卡方(CHI)方法對藥品特征進行過濾，選擇包含信息量較大的特征；

步驟2：根據樣本標簽相似性與拉普拉斯算子調整的樣本相似性構造新的樣本相似性；

步驟3：基于已知標簽樣本的信息建立未知標簽樣本的初始化信息；

步驟4：整合步驟1，步驟2和步驟3獲得新的標簽傳播算法，使用該算法，得到與待識別樣本的檢測結果。

其中，步驟1，步驟2和步驟3包括以下具體步驟：

(1)藥品數據集包括兩部分內容：藥品樣本數據集和藥品標簽數據集。藥品樣本數據集中，每一個藥品用1×n的二值型向量表示，N表示樣本的總數。藥品標簽數據集中，每一個藥品用1×c的向量表示，c既代表已知標簽的樣本數目，又代表樣本的多標簽數目，藥品的標簽數據集經常用Y表示；

(2)在藥品的訓練數據集中，利用CHI方法進行樣本特征值的計算，從藥品的所有數據中，選擇出含有信息量較大的特征值：