Resumen

Las reacciones adversas a los medicamentos (RAM) suponen una amenaza para la salud humana. Por ello, la reevaluación del riesgo de los medicamentos después de su comercialización se ha convertido en una parte importante de la labor de farmacovigilancia de diversos países. En China, los medicamentos se dividen principalmente en tres categorías, desde los de alto riesgo hasta los de bajo riesgo, a saber, medicamentos con receta (Rx), medicamentos de venta libre A (OTC-A) y medicamentos de venta libre B (OTC-B). Hasta ahora, se carecía de métodos de evaluación automatizados para el cambio de estado de los tres fármacos. Basándonos en la base de datos de informes espontáneos (CSRD) de la Administración de Alimentos y Medicamentos de China (CFDA), propusimos un modelo de clasificación para predecir el nivel de riesgo de los fármacos mediante el uso de la mejora de características basada en Redes Generativas Adversariales (GAN) y la Técnica de Sobremuestreo de Minorías Sintéticas (SMOTE). Se seleccionaron un total de 985,960 informes espontáneos de 2011 a 2018 de CSRD en la provincia de Jiangsu como datos experimentales. Después del preprocesamiento de datos, se obtuvo un conjunto de datos de desequilibrio de clases, que contenía 887 Rx (que representaban el 84,72%), 113 OTC-A (10,79%) y 47 OTC-B (4,49%). Tomando los fármacos como muestras, las ADR como características y los resultados de detección de señales obtenidos mediante el método de proporción de informes (PRR) como valores de características, construimos la matriz de datos original, en la que la última columna representa la etiqueta de categoría de cada fármaco. Nuestro modelo propuesto amplía los datos de ADR tanto desde el espacio de muestras como desde el espacio de características. En cuanto al espacio de características, utilizamos la selección de características (FS) para filtrar los síntomas de ADR con puntuaciones de importancia más altas. A continuación, utilizamos GAN para generar datos artificiales, que se añaden al espacio de características para lograr una mejora de las mismas. En cuanto al espacio de muestras, utilizamos la tecnología SMOTE para ampliar las muestras minoritarias con el fin de equilibrar tres categorías de fármacos y minimizar la desviación de la clasificación causada por la brecha en el tamaño de la muestra. Por último, utilizamos el algoritmo de bosque aleatorio (RF) para clasificar el conjunto de datos con características mejoradas y equilibradas. Los resultados experimentales muestran que la precisión del modelo de clasificación propuesto alcanza el 98%. Nuestro modelo propuesto puede evaluar bien los niveles de riesgo de los fármacos y proporcionar métodos automatizados para el cambio de estado de los fármacos poscomercialización.

• Materias:Insuficiencia cardíaca Plataforma de servicios Filtro de orden óptimo Características clínicas Osteoporosis
• Subjects:Heart failure Platform services Optimal order filtering Clinical features Osteoporosis
• Palabras claves:medicamentos, espacio de características, OTC, modelo de clasificación, mejora de características, comercialización de medicamentos, espacio muestral, cambio de estado, reacciones adversas a medicamentos, Redes Adversariales Generativas
• Keywords:drugs, feature space, OTC, classification model, feature enhancement, marketing drugs, sample space, status switch, Adverse drug reactions, Generative Adversarial Networks