机器学习方法在FAERS布加替尼不良反应信号检测中的应用

目的 评估机器学习算法在检测布加替尼(Brigatinib)药品不良反应信号中的性能.方法 使用美国食品药品监督管理局(FDA)不良反应事件报告系统(FAERS)2017年 4月1日至 2022年3月31日收集的布加替尼药品不良反应信号数据开展研究.首先为研究药品构建一个输入数据集,包括药品标签上列出的已知不良反应和未知不良反应.对于已知不良反应,训练 4 种机器学习算法,并通过曲线下面积(AUC)评估机器学习算法[随机森林(random forest,RF)、极限梯度提升机(extreme gradient boosting)、Logistic回归和邻近算法(k-NearestNeighbor,kNN)]与传统不相称分析方法[报告优势比(ROR)]和信息成分(IC)]进行比较.结果 kNN算法具有最高的AUC,平均值0.875,其余方法中Logistic回归(0.852),XGBoost(0.722),RF(0.662)和DPA(0.548).在未知不良反应数据集中,以kNN算法建立的机器学习模型检出6个额外信号(占15.8%),传统不相称方法检出4个额外信号(占10.5%).结论 以kNN算法建立的机器学习模型比传统DPA方法在药品不良反应信号检测方面性能更佳.