基于文本挖掘和观察健康数据科学与信息学通用数据模型的免疫相关不良事件信卡塔尔世界杯8强波胆分析号检测与过滤框架发展研究%A Yu,Yue %A Ruddy,Kathryn %A Mansfield,Aaron %A Zong,Nansu %A Wen,Andrew %A Tsuji,Shintaro %A Huang,Ming %A Liu,Hongfang %A Shah,Nilay %A Jiang,Guoqian %+梅奥诊所健康科学研究部，罗彻斯特第一街200号，明尼苏达州，55905，美国，1 507 284 2511，jiang.guoqian@mayo.edu %K免疫治疗/不良反应%K药物相关副作用和不良反应%K药物警戒%K药物不良反应报告系统/标准%K文本挖掘%D 2020 %7 12.6.2020 %9原论文%J JMIR Med Inform %G英文%X背景:免疫检查点抑制剂与独特的免疫相关不良事件(irAEs)相关。由于大多数免疫检查点抑制剂是市场上的新产品，因此使用真实世界的数据来源进行研究以调查其安全性是很重要的。目的:本研究的目的是为美国食品和药物管理局批准的6种免疫检查点抑制剂开发一种新的irae信号检测和过滤框架。方法:在我们的框架中，我们首先使用美国食品和药物管理局的不良事件报告系统(FAERS)，在观察性健康数据科学和信息学(OHDSI)公共数据模型(CDM)中标准化，收集免疫检查点抑制剂相关事件数据，并进行irAE信号检测。OHDSI CDM是一种标准驱动的数据模型，其重点是将不同的数据库转换为通用格式，并将医学术语标准化为通用表示。然后，我们使用基于临床文本分析和知识提取系统的定制文本挖掘管道，以MedDRA (Medical Dictionary for Regulatory Activities)作为字典，从药物标签和文献中过滤出已知的irae。最后，我们将irAE检测结果分为三种不同的类别，以发现潜在的新irAE信号。结果:通过我们的文本挖掘管道，从药品标签中识别出490个irAE术语，从文献中识别出918个术语。 In addition, of the 94 positive signals detected using CDM-based FAERS, 53 signals (56%) were labeled signals, 10 (11%) were unlabeled published signals, and 31 (33%) were potentially new signals. Conclusions: We demonstrated that our approach is effective for irAE signal detection and filtration. Moreover, our CDM-based framework could facilitate adverse drug events detection and filtration toward the goal of next-generation pharmacovigilance that seamlessly integrates electronic health record data for improved signal detection. %M 32530430 %R 10.2196/17353 %U http://medinform.www.mybigtv.com/2020/6/e17353/ %U https://doi.org/10.2196/17353 %U http://www.ncbi.nlm.nih.gov/pubmed/32530430