Опираясь на данные, мы можем найти новые и эффективные способы обнаружения редких и неожиданных побочных эффектов лекарств. Наша компания разрабатывает методы обнаружения на основе данных, облегчающие анализ больших объемов поступающих отчетов о потенциальных побочных эффектах лекарств. Детальное рассмотрение большого количества отчетов может оказаться нецелесообразным или эффективным подходом к обнаружению и оценке сигналов. Методы обнаружения на основе данных помогают направить внимание экспертов на наиболее интересные и актуальные серии случаев для рассмотрения и выявления важных шаблонов отчетности, влияющих на оценку сигнала. Ключевые исследования на основе данных. Перечень клинически связанных нежелательных явлений. Областью интенсивного исследования являются методы лучшего представления и отражения информации о нежелательных явлениях. С помощью кластерного анализа мы стремимся обнаружить закономерности в данных из отчетов о нежелательных явлениях на основе всех зарегистрированных признаков, симптомов и диагнозов. Кроме того, алгоритм группирует отчеты о нежелательных явлениях на основе описанных в них клинических состояний, как это сделали бы эксперты. С помощью семантики распределения нашей программы мы можем получить управляемые данными векторные представления лекарств и нежелательных явлений на основе шаблонов отчетов в базе данных. Это позволяет группировать нежелательные явления, о которых, как правило, сообщают в схожих контекстах, на основе их положения в управляемом данными векторном пространстве и независимо от их положения в иерархической терминологии, такой как MedDRA .( международный словарь нежелательных реакций, возникающих при применении лекарственных препаратов для медицинского применения)Выявление факторов риска Знание того, какие люди подвержены риску развития конкретных побочных эффектов, может помочь пациентам и медицинским работникам принимать более разумные терапевтические решения при использовании лекарств. Исследователи активно предлагают и оценивают подходы к выявлению закономерностей в наблюдаемых медицинских данных, которые могут отражать факторы риска, связанные с конкретными побочными эффектами. Примеры включают лекарственные взаимодействия, фармакоэтническую уязвимость, риски, связанные с возрастом и полом, беременность и индекс массы тела. Центр мониторинга также разработал метод исследования шаблонов отчетов на основе данных, который можно использовать для этой и некоторых других целей. Статистическое обнаружение сигнала. Эффективный анализ отчетов об отдельных случаях может основываться на методах обнаружения статистических сигналов, чтобы направить и облегчить экспертную клиническую оценку. Смешение и неоднородность. Шаблоны отчетов в больших коллекциях отчетов об отдельных случаях различаются со временем, в зависимости от географических регионов и демографических групп, что может привести как к упущенным, так и к искусственным связям. Мы разработали и оценили несколько методов смягчения этих последствий. Они включают логистическую регрессию сокращения, чтобы уменьшить маскировку и утечку сигналов из сообщаемых лекарств и вакцин, систематическое использование подгрупп и стратификации для выявления закономерностей, уникальных для определенных категорий отчетов, а также простой подход к разоблачению ассоциаций, которые были скрыты, массовые отчеты о связанных комбинациях лекарств и нежелательных явлений. У вас нет учетной записи? Зарегистрироваться Регистрируясь, вы получаете право заполнить анкету