[發明專利]一種基于大數據的藥物不良反應快速識別方法及系統

有效

• 申請號: 202010150680.0
• 申請日: 2020-03-06
• 公開（公告）號: CN111402971B
• 公開（公告）日: 2021-03-05
• 發明（設計）人: 趙青威;洪東升;羊紅玉;張幸國;倪劍;胡希
• 申請（專利權）人: 浙江大學醫學院附屬第一醫院
• 主分類號: G16H10/40
• 分類號: G16H10/40;G16H10/20;G16H70/40;G06K9/62;G06F16/335
• 代理公司: 浙江千克知識產權代理有限公司 33246
• 代理人: 冷紅梅

1.一種基于大數據的藥物不良反應快速識別方法，其特征在于，包括步驟：

S1.獲取藥物的不良反應數據；

S2.將所述獲取到的藥物不良反應數據分別與預存的藥物名稱本體知識庫、不良反應名稱本體知識庫進行比對，生成藥物-不良反應分布式實體向量；

S3.根據所述生成的藥物-不良反應分布式實體向量，計算藥物與不良反應本體的數個關聯度值；

S4.根據計算得到的數個關聯度值，求解各個關聯度值的置信區間，并將所述求解得到的各個關聯度值的置信區間與預設的參考值比較，得到比較結果；

S5.判斷所述比較結果是否大于預設閾值，若是，則為藥物不良反應信號；若否，則排除；

所述步驟S1中獲取藥物的不良反應數據是根據藥物的名稱獲取到的；

所述步驟S2包括：

S21.將所述獲取到的藥物不良反應數據與預存的藥物名稱本體知識庫進行比對，實現藥名本體識別和非本體藥名過濾；

S22.將所述獲取到的藥物不良反應數據與預存的不良反應名稱本體知識庫進行比對，實現不良反應本體識別和非不良反應本體過濾；

所述步驟S3中數個關聯度值包括報告比值比、信息組件值、經驗貝葉斯幾何均數；

所述步驟S4中各個關聯度值的置信區間包括報告比值比置信區間、信息組件值置信區間、經驗貝葉斯幾何均數置信區間；

步驟S4中將求解得到的各個關聯度值的置信區間與預設的參考值比較具體為：若報告比值比置信區間下限ROR_L0.25大于1，則生成1個信號；若信息組件值置信區間下限IC_L0.25大于0，則生成1個信號；若經驗貝葉斯幾何均數置信區間下限EBGM_L0.25大于2，則生成1個信號；

信息組件值IC，表示為：

其中，N₁₁為目標藥物的不良反應事件在數據庫中的報告例數；E₁₁通過貝葉斯置信度遞進神經網絡計算獲得的目標藥物的不良反應事件在數據庫中的期望例數；

經驗貝葉斯幾何均數EBGM，表示為：

其中，IC_ij為數據庫種第i種藥物的j種不良反應的IC值；E是通過GPS計算獲得的期望值；

報告比值比ROR，表示為：

其中，a代表特定藥物所關注不良反應事件的報告數；b代表特定藥物的其它不良反應事件的報告數；c代表其它藥物所關注不良反應事件的報告數；d代表其它藥物其他不良反應的關注數；

藥物不良反應事件識別標準如下：

藥物不良反應信號1：IC_0.25大于0；

藥物不良反應信號2：EBGM_L0.25大于2；

藥物不良反應信號3：ROR_L0.25大于1；

藥物不良反應信號4：N₁₁大于或等于3；

上述4個藥物不良反應信號必須同時滿足才能構成陽性型號。

2.一種基于大數據的藥物不良反應快速識別系統，其特征在于，包括：

獲取模塊，用于獲取藥物的不良反應數據；

生成模塊，用于將所述獲取到的藥物不良反應數據分別與預存的藥物名稱本體知識庫、不良反應名稱本體知識庫進行比對，生成藥物-不良反應分布式實體向量；

計算模塊，用于根據所述生成的藥物-不良反應分布式實體向量，計算藥物與不良反應本體的數個關聯度值；

比較模塊，用于根據計算得到的數個關聯度值，求解各個關聯度值的置信區間，并將所述求解得到的各個關聯度值的置信區間與預設的參考值比較，得到比較結果；

判斷模塊，用于判斷所述比較結果是否大于預設閾值；

獲取模塊中獲取藥物的不良反應數據是根據藥物的名稱獲取到的；

所述生成模塊包括：

第一比對模塊，用于將所述獲取到的藥物不良反應數據與預存的藥物名稱本體知識庫進行比對，實現藥名本體識別和非本體藥名過濾；

第二比對模塊，用于將所述獲取到的藥物不良反應數據與預存的不良反應名稱本體知識庫進行比對，實現不良反應本體識別和非不良反應本體過濾；

所述計算模塊中數個關聯度值包括報告比值比、信息組件值、經驗貝葉斯幾何均數；

所述比較模塊中各個關聯度值的置信區間包括報告比值比置信區間、信息組件值置信區間、經驗貝葉斯幾何均數置信區間；

所述比較模塊中將求解得到的各個關聯度值的置信區間與預設的參考值比較具體為：若報告比值比置信區間下限大于1，則生成1個信號；若信息組件值置信區間下限大于0，則生成1個信號；若經驗貝葉斯幾何均數置信區間下限大于2，則生成1個信號；

信息組件值IC，表示為：

其中，N₁₁為目標藥物的不良反應事件在數據庫中的報告例數；E₁₁通過貝葉斯置信度遞進神經網絡計算獲得的目標藥物的不良反應事件在數據庫中的期望例數；

經驗貝葉斯幾何均數EBGM，表示為：

其中，IC_ij為數據庫種第i種藥物的j種不良反應的IC值；E是通過GPS計算獲得的期望值；

報告比值比ROR，表示為：

其中，a代表特定藥物所關注不良反應事件的報告數；b代表特定藥物的其它不良反應事件的報告數；c代表其它藥物所關注不良反應事件的報告數；d代表其它藥物其他不良反應的關注數；

藥物不良反應事件識別標準如下：

藥物不良反應信號1：IC_0.25大于0；

藥物不良反應信號2：EBGM_L0.25大于2；

藥物不良反應信號3：ROR_L0.25大于1；

藥物不良反應信號4：N₁₁大于或等于3；

上述4個藥物不良反應信號必須同時滿足才能構成陽性型號。