药品不良反应信号检测中混杂因素的控制方法

中国药物警戒 ›› 2010, Vol. 7 ›› Issue (3): 142-144.

• 药品不良反应信号检测 • 上一篇下一篇

药品不良反应信号检测中混杂因素的控制方法

钱维, 叶小飞, 王超, 贺佳^*

第二军医大学卫勤系卫生统计学教研室,上海 200433

收稿日期:2016-02-19 修回日期:2016-02-19 出版日期:2010-03-08 发布日期:2016-02-19
通讯作者: 贺佳,女,博士生导师,药物流行病学及新药评价的统计分析。E-mail：hejia@smmu.edu.cn
作者简介:钱维,女,在读硕士研究生,数据挖掘在药物警戒中的应用。
基金资助:
国家自然科学基金资助项目(No.30872186),上海市优秀学科带头人计划(A类)(No.09XD1405500)

Methods of Controlling Confounding Factors in Adverse Drug Reaction Signal Detection

QIAN Wei, YIE Xiao-fei, WANG Chao, HE Jia^*

Department of Health Statistics, Faculty of Health Service, Second Military Medical University, Shanghai 200433, China

Received:2016-02-19 Revised:2016-02-19 Online:2010-03-08 Published:2016-02-19

摘要/Abstract

摘要： 上市后药品不良反应监测无法实现用药人群的随机化,因此无法控制药品不良反应信号检测中数据的混杂偏倚。通过介绍三种运用较为广泛的混杂因素控制方法,简单分析了各个方法的优缺点和在药品不良反应数据中的应用情况,以期为上市后药品不良反应的准确监测提供借鉴。

关键词: 信号检测, 混杂, 分层, Logistic回归, 倾向性评分法

Abstract: It is impossible to randomize the allocation of people using the drug under the post-marketing condition, so hard to control the confounding bias in signal detection of adverse drug reaction(ADR) databases. This article briefly introduces three widely-used Methods of controlling confounding bias. It give a brief description of the advantages and limitations of each method, and their applications in ADR signal detection in order to provide some effective information for the post-marketing surveillance.

Key words: signal detection, confounding, stratification, logistic regression, propensity score

中图分类号:

钱维, 叶小飞, 王超, 贺佳. 药品不良反应信号检测中混杂因素的控制方法[J]. 中国药物警戒, 2010, 7(3): 142-144.

QIAN Wei, YIE Xiao-fei, WANG Chao, HE Jia. Methods of Controlling Confounding Factors in Adverse Drug Reaction Signal Detection[J]. Chinese Journal of Pharmacovigilance, 2010, 7(3): 142-144.

参考文献

[1] 沈福民主编．流行病学原理与方法[M].1版.上海：复旦大学出版社,上海医科大学出版社,2001：148-155.
[2] Hauben M, Bate A. Decision support methods for the detection of adverse events in post-marketing data[J]. Drug Discovery Today, 2009, 14:343-357.
[3] Almenoff J S, LaCroix K K, Yuen N A, et al. Comparative Performance of Two Quantitative Safety Signalling Methods: Implications for Use in a Pharmacovigilance Department[J]. Drug Saf, 2006, 29 (10): 875-887.
[4] Woo E J, Ball R. Burwen D R, et al. Effects of stratification on data mining in the US Vaccine Adverse Event Reporting System (VAERS)[J]. Drug Saf, 2008, 31 (8): 667-674.
[5] 罗宝章,钱轶峰,叶小飞,等.药物不良反应信号检测方法的现状与展望[J]. 药学服务与研究,2009,9(4) ：255-260.
[6] 叶小飞,王海南,陈文,等.数据挖掘在药物警戒中的应用[J]. 中国药物警戒,2008,5(1) ：36-40.
[7] Evans S J. Stratification for spontaneous report databases[J]. Drug Saf, 2008;31(11):1049-1052.
[8] Hopstadius J, Norén G N, Bate A, et al. Impact of stratification in adverse drug reaction surveillance[J]. Drug Saf, 2008, 31 (11): 1035-1048.
[9] Hauben M, Madigan D, Gerrits C M, et al. The role of data mining in pharmacovigilance[J]. Expert Opinion Drug Safe, 2005, 4(5): 929-948.
[10] Almenoff J S, Pattishall E N, Gibbs T G, et al. Novel statistical tools for monitoring the safety of marketed drugs[J]. ClinPharmacol Ther, 2007, 82 (2): 157-166.
[11] Genkin A, Lewis DD & Madigan D. BBR: Bayesian Logistic Regression Software[EB/OL].[2009-12-20] .http://www.stat.rutgers.edu/Bmadigan/BBR/ (accessed 23 April 2007).
[12] van Puijenbroek E P, Egberts A C, Heerdink E R, et al. Detecting drug-drug interactions using a database for spontaneous adverse drug reactions: an example with diuretics and non-steroidal anti-inflammatory drugs[J]. European Journal of Clinical Pharmacology, 2000, 56: 733-738.
[13] Noren G N, Sundberg R, Bate A, et al. A statistical methodology for drug drug interaction surveillance[J]. Stat Med, 2008, 27: 3057-3070.
[14] Paul R, Rubin D B. Reducing bias in observational studies using subclassification on the propensity score[J]. J Am Stat Assoc, 1984, 79: 5l6-524.
[15] 赵守军,张勇,汪萱怡,等.均衡组间差异的有效方法：倾向评分[J]. 中华流行病学杂志,2003,24(6): 516-519.
[16] 沈剑文,张亮,王大猷.倾向分析法在药物流行病学研究中的应用[J]. 药物流行病学杂志,2008,17(2): 121-125.
[17] Joffe M M, Rosenbaum P R. Invited commentary: propensity scores[J]. Am J Epidemiol, 1999, l50: 327-333.
[18] Hanley J A, Dendukuri N. Efficient sampling approaches to address confounding in database studies[J]. Statistical Methods in Medical Research, 2009,18:81-105.
[19] Rosenbaum P R, Rubin D B. Reducing bias in observational studies using subclassification on the propensity score[J]. Am Stat Assoc, 1984, 79(387): 516-524.
[20] Groenwold RHH, Hoes A W, Nichol K L, et al. Quantifying the potential role of unmeasured confounders: the example of influenza vaccination[J]. International Journal of Epidemiology, 2008, 37:1422-1429.

药品不良反应信号检测中混杂因素的控制方法

Methods of Controlling Confounding Factors in Adverse Drug Reaction Signal Detection

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

[1]	陈枭, 郭晓晶, 许金芳, 韦连慧, 陈晨鑫, 梁际洲, 郑轶, 叶小飞. 机器学习方法在FAERS布加替尼不良反应信号检测中的应用[J]. 中国药物警戒, 2023, 20(6): 639-645.
[2]	韦连慧, 张朋朋, 刘永梅, 郭晓晶, 许金芳, 陈枭, 陈晨鑫, 叶小飞. 重叠加权法在药品不良反应信号检测中的模拟研究[J]. 中国药物警戒, 2023, 20(6): 646-650.
[3]	陈晨鑫, 张朋朋, 刘永梅, 叶小飞, 贺佳. 零膨胀模型与狄利克雷过程结合在药品上市后不良反应信号检测中的应用[J]. 中国药物警戒, 2023, 20(6): 651-654.
[4]	王铁柱. 硫酸羟氯喹致视觉损害不良反应信号检测与分析[J]. 中国药物警戒, 2022, 19(6): 657-660.
[5]	王春婷, 文雯. 甘草酸二铵致药源性低钾血症报告情况及影响因素分析[J]. 中国药物警戒, 2022, 19(5): 532-536.
[6]	王丽, 王晓墨, 杨晨露. 基于医疗大数据开展药品上市后监测与评价研究的偏倚及其控制[J]. 中国药物警戒, 2022, 19(3): 239-243.
[7]	陈超, 赵云飞, 王长之, 龚立雄, 刘伟. 乌普萨拉监测中心vigiRank预测模型研究[J]. 中国药物警戒, 2022, 19(3): 270-274.
[8]	周瑞欧, 季欢欢, 龚莉, 张妮, 宋林. 基于FAERS数据库对利巴韦林、洛匹那韦/利托那韦、磷酸氯喹不良事件检测与评价[J]. 中国药物警戒, 2022, 19(2): 205-209.
[9]	孙雪林, 钱东方, 谭斯元, 张子轩, 胡欣, 张亚同. 国内外药品信号检测和评价的比较研究[J]. 中国药物警戒, 2022, 19(11): 1218-1222.
[10]	刘靖, 叶国菊, 王启明, 刘尉, 赵大方, 孙骏, 李国亮, 王新敏, 李明. 模糊贝叶斯置信度递进神经网络法检测药品不良反应报告信号[J]. 中国药物警戒, 2022, 19(10): 1113-1117.
[11]	成冯镜茗, 谢雁鸣, 王连心, 苗雨. 基于倾向性评分的真实世界脉络舒通丸对肾功能指标影响研究[J]. 中国药物警戒, 2021, 18(6): 537-541.
[12]	吕强, 阎嘉阳, 张旺喆麒, 叶小飞, 郭晓晶. 抗新型冠状病毒肺炎药物磷酸氯喹的安全性分析[J]. 中国药物警戒, 2021, 18(2): 110-114.
[13]	秦雪颖, 孙粼希, 谢雁鸣, 吕健, 张成, 谢瑀婷, 郭朋. 真实世界中使用茵栀黄颗粒疑似过敏反应的影响因素[J]. 中国药物警戒, 2021, 18(10): 936-939.
[14]	林燕芳, 苏松森, 周虹, 蔡莉莉, 洪磊, 林志强. 硫唑嘌呤致血液学毒性危险因素的初步研究[J]. 中国药物警戒, 2020, 17(8): 461-464.
[15]	于丹丹, 孙骏, 王佳域, 吴晨, 柳鹏程. 曲马多复方制剂滥用/使用行为影响因素分析[J]. 中国药物警戒, 2019, 16(9): 543-549.