换一批基于自发报告数据驱动机器学习模型预测严重药品不良反应
Prediction of Severe Adverse Drug Reactions Based on Spontaneous Reporting Data-Driven Machine Learning Models
摘要目的 基于药品不良反应(ADR)自发报告数据,构建严重ADR的智能预测模型,提升药物警戒效率,辅助早期识别高风险ADR,优化医疗资源分配.方法 纳入4 144例ADR自发报告.采用DeepSeek大语言模型标准化诊断信息和药品名称.选取24个临床特征,通过特征工程处理年龄、时间变量及无序类别数据.系统比较伯努利朴素贝叶斯(BNB)、随机森林(RF)等10 种机器学习算法,并评估SMOTE、ADASYN、TomekLinks等采样技术对数据不平衡(严重ADR占10.4%)的处理效果.模型性能以精确召回曲线下面积(AUPRC)为首要指标,曲线下的面积(AUC)、灵敏度(TPR)为次要指标,结合SHAP值解析特征贡献.结果 BNB结合TomekLinks表现最优,在内部验证集中的AUC=0.921、AUPRC=0.757、灵敏度=0.626,在模型外数据验证中AUPRC=0.711、AUC=0.901,泛化能力良好.通过SHAP解析,"导致住院或延长住院""年龄""免疫异常及感染"是显著的正向影响特征,"对原患疾病的影响不明显""胃肠、皮肤及皮肤附件损害""结果痊愈/好转"是负向影响特征.结论 将DeepSeek大语言模型应用于结构化ADR数据标准化处理,结果证实,针对高维稀疏特征,欠采样技术TomekLinks优于过采样方法.BNB算法作为贝叶斯定理的经典分类算法,高效的分类能力在众多算法中依然表现优异.局限性包括单中心数据偏倚和严重ADR样本量不足.未来需整合多中心数据、结合药物分子特征及自然语言处理技术,构建更精准的预警系统.
更多相关知识
关键词
药品不良反应严重程度预测模型机器学习伯努利朴素贝叶斯DeepSeekAdverse Drug ReactionSeverityPrediction ModelMachine LearningBernoulli Naive BayesDeepSeek
栏目名称
DOI
10.19803/j.1672-8629.20250512
发布时间
2026-01-16（万方平台首次上网日期，不代表论文的发表时间）
基金项目
基于机器学习预警监测老年多重用药患者肾功能损伤的风险模型研究（24BJZ37）
- 浏览0
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
