
Τεχνολογίες δεδομένων μεγάλης κλίμακας και ανίχνευση ανεπιθύμητων ενεργειών φαρμάκων - φαρμακοεπαγρύπνηση
Author(s) -
Δημήτριος Σπάχος
Publication year - 2021
Language(s) - Uncategorized
Resource type - Dissertations/theses
DOI - 10.12681/eadd/47500
Subject(s) - adverse event reporting system , meddra , computer science , information retrieval , medicine , adverse effect , pharmacovigilance
Εισαγωγή: Η φαρμακοεπαγρύπνηση βασίζεται κυρίως σε δεδομένα που λαμβάνονται από συστήματα αναφορών και βάσεις δεδομένων ανεπιθύμητων ενεργειών. Ωστόσο, λόγω του χαμηλού αριθμού αναφορών, γίνεται διερεύνηση χρήσης νέων μεθόδων παρακολούθησης για την ανίχνευση πιθανών σημάτων ασφάλειας. Τα τελευταία χρόνια, αναπτύχθηκαν μέθοδοι μηχανικής μάθησης για τον εντοπισμό πρωτογενών ανεπιθύμητων ενεργειών σε μέσα κοινωνικής δικτύωσης. Ωστόσο, εξακολουθούν να υπάρχουν μεγάλα ανεκμετάλλευτα πεδία δεδομένων, που παράγονται από χρήστες και ασθενείς. Για παράδειγμα, το 2009 η Google πέτυχε να προβλέψει την εξάπλωση του ιού H1N1 αναλύοντας φράσεις και όρους που χρησιμοποιούν οι χρήστες στη μηχανή αναζήτησης. Αντικείμενο της διατριβής είναι η ανίχνευση πιθανού σήματος κατάχρησης σε 3 διαφορετικά φάρμακα συνδυάζοντας διαφορετικές πηγές παρακολούθησης: Twitter, δεδομένα αναζήτησης χρηστών στη μηχανή αναζήτησης της Google και τη βάση δεδομένων του FDA Adverse Event Reporting System (FAERS). Παρουσιάζουμε έναν νέο τομέα άντλησης δεδομένων, το πεδίο αναζητήσεων, καθώς και νέες μεθόδους για την αποκάλυψη συσχετίσεων με υπάρχουσες πηγές δεδομένων αναφοράς ανεπιθύμητων συμβάντων. Μέθοδοι: Συλλέξαμε δεδομένα από πηγές σχετικά με τις ανεπιθύμητες ενέργειες 3 φαρμάκων (μιρταζαπίνη, πρεγκαμπαλίνη και κουετιαπίνη), από το Q12004 έως το Q32017 και πιο συγκεκριμένα σχετικά με την κατάχρηση συμβάντων, χρησιμοποιώντας οκτώ όρους από το MedDRA. Χρησιμοποιήσαμε μετρήσεις, όπως η βαθμολογία δημοτικότητας αναζήτησης, το ενδιαφέρον αναζήτησης με την πάροδο του χρόνου και τις συχνότητες αναζήτησης που σχετίζονται με κατάχρηση. Χρησιμοποιώντας τους ίδιους όρους MeDRA συλλέξαμε και αναλύσαμε αναφορές από το FAERS, για την ίδια περίοδο. Ανακτήσαμε επίσης αναρτήσεις χρηστών από το Twitter και χρησιμοποιώντας έναν προηγμένο Naïve-Bayes αλγόριθμο και εντοπίσαμε αναφορές ανεπιθύμητων συμβάντων. Τα αποτελέσματα αναλύθηκαν χρησιμοποιώντας στατιστικές μεθόδους και συγκρίθηκαν με εκείνα των επίσημων πηγών ανεπιθύμητων ενεργειών ή κλινικών δοκιμών. Αποτελέσματα: Εντοπίσαμε ισχυρές ενδείξεις κατάχρησης για τα επιλεγμένα φάρμακα στο πεδίο αναζητήσεων. Επιπλέον, η σύγκριση μεταξύ των διαφορετικών πηγών, της FAERS και του πεδίου ανάλυσης αναζήτησης, αποκάλυψε μια θετική συσχέτιση μεταξύ αναζητήσεων που σχετίζονται με κατάχρηση και επίσημων αναφορών ανεπιθύμητων ενεργειών. Η επικύρωση σήματος απαιτεί περαιτέρω κλινική αξιολόγηση προκειμένου να επιβεβαιωθεί η αιτιότητα και είναι ένα βήμα στη διαδικασία διαχείρισης σήματος που πραγματοποιείται από τις ρυθμιστικές αρχές. Συμπεράσματα: Με βάση τη θετική συσχέτιση που βρέθηκε μεταξύ των δεδομένων αναζητήσεων και των περιστατικών που αναφέρθηκαν στο FAERS σε αυτήν τη μελέτη, προτείνουμε τη χρήση παρόμοιων μέθοδων ως συμπληρωματικά εργαλεία φαρμακοεπαγρύπνησης για την ανίχνευση σημάτων ασφάλειας ναρκωτικών.