타이밍이 중요하다: FDA의 부작용 보고 시스템에서 신호 탐지를 통한 약물-약물 상호작용의 우선순위를 정하는 기계 학습 방법과 공동 노출 시간과의 관계

소개: 현재 약물-약물 상호작용(DDI) 탐지 방법은 종종 시간적 개연성의 측면을 놓쳐 자발적 보고 시스템(SRS) 데이터베이스에서 잘못된 양성 비율 신호가 나타난다. 목표: 이 연구는 비례성 분석에서 공동 노출 시간을 통합하여 SRS 데이터베이스에서 DDI의 시간적으로 개연성 있는 비례성 신호를 탐지하고 우선순위를 정하는 방법을 개발하는 것을 목표로 한다. 방법: 이 방법은 FDA의 부작용 보고 시스템(FAERS)에서 테스트되었다. 긍정적 대조군의 CRESCENDDI 데이터세트가 진짜 양성 DDI의 주요 출처로 사용되었다. 공동 노출 시간을 고려하여 비례성 분석이 수행되었다. 시간적 개연성은 비례성 신호의 누적 보고의 플렉스 포인트를 사용하여 평가되었다. 잠재적인 교란 변수는 기계 학습 방법(즉, 라쏘 회귀)을 사용하여 식별되었다. 결과: 세 건 이상의 사례가 있는 122개의 트리플렛에 대해 비례성 분석이 수행되었으며, 13개의 부작용과 관련된 61개의 비례성 신호(50.0%)가 우선순위로 정해졌고, 이 중 61.5%는 유럽 의약청(EMA)의 중요한 의료 사건(IME) 목록에 포함되었다. 총 27개의 신호(44.3%)가 관심 있는 트리플렛을 보고한 사례가 최소 10건이었고, 그 중 대부분(19건; 70.4%)이 시간적으로 개연성이 있었다. 검색된 교란 변수는 주로 다른 동시 투여 약물이었다. 결론: 우리의 방법은 시간적 개연성이 있는 비례성 신호의 우선순위를 정할 수 있었다. 이 결과는 우리 방법이 추가적인 검증 가능성이 더 높은 신호를 정확히 식별하는 데 잠재력이 있음을 시사한다.