下载文档原格式
数据挖掘技术在药品不良反应监测中的应用【摘要】在临床药品使用中，经常会受到一些不良反应的影响，导致患者生命安全受到威胁，因此，应当合理使用现代化数据挖掘技术，对其进行全面监测，创新技术形式，将ADR监测工作作为重点内容，制定完善的呈报系统，在全面预测的情况下，融入电子医疗记录形式，提高监测工作可靠性与有效性。
【关键词】数据挖掘技术；药品不良反应；监测措施对于数据挖掘技术而言，主要就是在数据库中，提取一些隐藏与未知信息数据，明确信息的规则情况，创建多种类型的模式。
当前，我国已经将数据挖掘技术应用在ADR监测工作中，能够及时发现药物不良反应问题，采取有效措施对其进行处理，在深层次改革的情况下，做好各类管理工作。
一、数据挖掘技术在ADR自发呈报系统中的应用分析在ADR自发呈报系统实际运行的过程中，相关人员应当合理应用数据挖掘技术，为医师与药师等提供良好的报告形式，在数据库中开展信息收集工作，在自发呈现的情况下，对报告内容进行改善。
然而，在报告数量逐渐增加的情况下，数据库信息结果越发庞大，使用传统方式开展分析工作，会出现一些困难，不能保证工作效率，难以提高工作成效。
因此，相关部门应当合理使用数据挖掘技术，筛选最佳监测方式，利用比值失衡测量技术与关联规则技术等，提高工作成效。
（一）比值失衡测量技术的应用此类方式是基于传统测量方式改革的产物，能够对数据库中可疑药物ADR进行计算，获取相关药物比值，一旦计算结果超出阈值范围，就可以认为药物与ADR之间产生一定的联系。
在使用此类方式期间，应当明确目标药物的ADR数据信息，对其他药物ADR信息进行处理，在二者之间相互对比的情况下，建立专门的数量分析机制，以便于完成相关工作任务，达到预期的管理目的。
在实际研究中，可以利用PRR方式对其进行处理，主要使用的公式为：其中，a主要为目标药物的ADR数据，b为目标药物的其他ADR数据，c为其他药物的ADR数据，d为其他药物的其他ADR数据。
基于机器学习的药物不良反应与监测研究随着人们对药物的需求增加，药物的安全性与效果成为医药领域的关注焦点。
药物不良反应（Adverse Drug Reaction，ADR）是指患者在用药过程中出现的不良症状或不良事件，严重影响患者的生命质量和治疗效果。
因此，对药物不良反应的监测和研究变得尤为重要。
传统的药物不良反应监测方法主要依靠医生和患者的报告，存在着不准确、漏报、时效性低等问题。
而机器学习作为一种应用广泛的人工智能技术，具备挖掘大规模数据的能力，为药物不良反应的监测与研究提供了新的思路和方法。
首先，机器学习可以通过分析大量医学文献和临床实验数据，挖掘出药物不良反应发生的规律和关联性。
传统的方法往往只能通过对个案的观察来总结出一些不良反应，难以发现潜在的、低发生率的ADR。
而机器学习可以通过结构化和非结构化数据的分析，自动识别与药物不良反应相关的因素，如药物成分、剂量、用药时间、患者基本情况等。
例如，机器学习算法可以通过自动化地检测医学文献中的关键词，筛选出与ADR相关的文章，进而建立起ADR与药物之间的关系模型。
其次，机器学习还可以利用大数据和人工智能技术来进行药物不良反应的预测与监测。
通过建立监测系统，可以实时地收集和分析患者的健康数据、药物处方信息等，以及网络上的匿名用户报告，识别出可能存在的ADR事件。
在这个过程中，机器学习算法可以通过学习不同药物与其不良反应之间的关系，对新出现的患者报告进行自动分类和归纳。
这样，可以实现对大量ADR的自动筛查和实时监测，提高了ADR预警的准确性和时效性。
此外，机器学习还可以帮助研究者发现药物不良反应的机制和规律。
通过对大数据的挖掘，可以揭示药物与ADR之间的潜在联系，如某些遗传因素、生化途径的变化等。
在此基础上，研究者可以进一步探索药物不良反应的发生机制，并设计出更加有效的治疗和预防策略。
尽管机器学习在药物不良反应与监测方面具有巨大的潜力，但仍然存在一些挑战和问题。
数据挖掘技术在药品不良反应监测中的应用进展摘要：药物是用于临床诊断、治疗和保健的物品，在治疗疾病方面起着双重作用，同时也可能导致不良反应，例如一系列化学疗法，可导致害虫防治、减少血液贫困和肝功能损害。
合理用药直接关系到病人的健康安全，因此对于加强药物管理至关重要。
反应不良的药物效果是一种有害的反应，在药物应用中不会发生，它通过收集关于药物有害影响的报告，然后进行进一步分析，以确定临床药物的潜在风险，从而有助于降低药物的易受伤害性，从而在提高医疗质量方面发挥重要作用。
现代数据挖掘技术在监测有害影响方面具有更好的应用，并使人们能够发现药物反应不规则的情况，找出问题并采取有效的干预措施。
本文主要讨论数据挖掘技术在药品有害影响监测中的应用。
关键词：数据挖掘；药品不良反应监测；自发呈报系统；主动监测引言数据挖掘(DM)是一个过程，在此过程中，潜在有用的知识会自动从大型、模糊且干扰性的随机数据中选择。
复杂，医学上广泛应用的算法很多。
在药物监测(ADR)中更常用。
ADR的监测技术近年来一直致力于提高监测报告的数量和质量，扩大监测网络，逐步将监测系统从被动监测发展为ADR的主动监测。
本文介绍了DM技术应用ADR监控的情况，为ADR监控提供了有意义的指导。
1、DM与ADR监测的概述自1960年前后在伊斯兰会议组织发生的事件以来，各国产生了许多不利影响，从建立监测报告制度到建立特别监测制度，再到药物概念，这些都表明ADR 监测日益成熟。
1980年前后，我国开始在北京、沥青、粥等地监测广告遵守情况(ADR)。
1999年至2019年，我们的国家ADR监测网络共收到150万报告员的1.519亿份报告，其中包括近480 000份新的严重ADR报告，占同期的31.5%。
在这些情况下，解决办法主要是应用独立的报告系统检测ADR信号。
该系统尽管存在缺陷，但却是目前普遍使用的、经济上可行的ADR信号传播工具。
近年来，各国发现ADR信号的方式已从被动监测演变为主动监测，并开发了一系列主动监测系统，为药物安全提供了新的思路。
基于数据挖掘的药物相关性不良反应预测随着医学技术的不断发展，新药的研发也变得更加迅速和便捷。
然而，药物相关性不良反应（ADR）的发生仍然是一个值得关注和解决的问题。
如果能够事先预测和识别出药物的不良反应，我们可以采取相应的措施来降低患者的风险，提高药物的安全性。
这就需要借助数据挖掘的技术和方法来进行药物相关性不良反应的预测。
一、数据收集与准备要进行药物的不良反应预测，首先需要搜集大量的药物相关数据。
这些数据包括临床试验数据、医疗记录数据、药品说明书等。
同时，我们还可以利用一些公开的数据库，如美国食品药品监督管理局（FDA）的药品事件报告系统（FAERS）等来获取更多的数据。
在收集到数据后，需要进行数据清洗和预处理，确保数据的质量和一致性。
二、特征选择与提取在数据挖掘中，特征选择和提取是非常关键的步骤。
针对药物的相关性不良反应预测，我们需要选择与不良反应相关的特征。
这些特征可以包括药物的化学结构、生理学特征、基因表达等。
同时，还需要考虑到患者的个人因素，如年龄、性别、疾病史等。
通过特征选择和提取，可以减少数据的维度，提高模型的性能和预测准确率。
三、建立预测模型在数据准备和特征选择之后，我们可以选择合适的机器学习算法或统计模型来建立预测模型。
常用的方法包括逻辑回归、支持向量机、随机森林、神经网络等。
这些模型可以在训练数据上进行学习，并将学习到的规律应用到新的数据中进行预测。
同时，为了评估模型的预测性能，我们可以采用交叉验证、ROC曲线、混淆矩阵等方法进行评估和选择最优的模型。
四、模型评估与应用在建立好预测模型后，我们需要对模型进行评估。
评估指标可以包括准确率、召回率、F1值等。
通过评估模型的性能，我们可以对模型进行进一步的调整和改进。
同时，我们还可以利用模型来进行新药的不良反应预测。
通过将新药的特征输入到模型中，即可得到药物的不良反应预测结果。
这有助于研究人员和临床医生在药物研发和应用过程中进行决策和管理。
药物临床试验不良反应因果关系评估方法综述与问题探讨药物临床试验的关键任务之一是评估药物的不良反应。
正确评估不良反应与药物之间的因果关系对于保障患者的安全至关重要。
为此，临床研究人员和监管机构需要采用适当的方法来确定药物不良反应与特定药物之间的因果关系。
本文将深入探讨目前常用的药物临床试验不良反应因果关系评估方法，并进一步探讨其中的问题和挑战。
在药物临床试验中，通常有两种主要的方法用于评估药物不良反应的因果关系：经验性方法和统计学方法。
经验性方法主要基于医生和临床经验，通过观察不良反应的发生时间、症状特点和药物停用后反应的消失情况等来推断不良反应与药物之间的因果关系。
虽然这种方法简单易用，但其主观性较强，结果可能受到医生主观判断和个体差异的影响。
相比之下，统计学方法通过统计学分析来评估药物不良反应的因果关系。
其中最常用的方法是利用药物不良事件报告系统，通过药物危险性比（ADR比）来判断不良反应的发生与特定药物之间的关系。
ADR 比是指药物不良反应发生的频率（发生不良反应的患者数或发生的不良反应的总次数）在用药组之间的比值，与未用药组相比。
如果ADR 比高于1，即用药组的不良反应发生率高于未用药组，那么可以初步认定该药物与不良反应之间存在因果关系。
然而，统计学方法也存在一些局限性，如对样本量要求较高，对药物的剂量和使用条件敏感等。
除了经验性方法和统计学方法，近年来还涌现了一些新的评估药物不良反应因果关系的方法。
比如，基于数据挖掘和机器学习的方法已经开始在药物临床试验中得到应用。
这些方法能够通过分析大量的临床数据和药理学信息，快速发现和评估不良反应与药物之间的关系，为临床研究人员提供更多的线索和指导。
尽管现有的评估药物不良反应因果关系的方法有一定的局限性，但它们仍然是目前药物临床试验中最为常用和可靠的方法。
在使用这些方法时，我们需要充分认识其优缺点，并综合考虑其他因素，如患者个体差异、药物剂量和使用条件等。
基于关联规则的药品不良反应预警研究的开题报告一、研究背景随着药品的广泛应用，药品不良反应成为一个不容忽视的问题。
药品不良反应不仅会影响患者的健康，还会增加医疗费用和社会成本。
因此，对药品不良反应进行预警和监测一直是医学研究的热点。
目前，药品不良反应预警和监测主要有两种方法：基于疫苗接种的被动监测和基于医疗数据的主动监测。
其中，基于医疗数据的主动监测可以通过对医疗数据的挖掘和分析，及时发现药品不良反应的规律和趋势。
关联规则挖掘作为一种常见的数据挖掘技术，可以在医疗数据中挖掘出不同药品之间的关联关系，从而实现药品不良反应的预警和监测。
因此，本研究旨在探索基于关联规则的药品不良反应预警方法，以提高患者用药的安全性和医疗质量。
二、研究内容和方法1.研究内容（1）分析医疗数据特点，选择合适的关联规则挖掘算法。
（2）构建药品不良反应预警模型，通过对医疗数据进行关联规则挖掘，发现药品之间的关联关系。
（3）将挖掘出的关联规则应用于药品不良反应预警，及时发现药品之间的相互作用和潜在的不良反应风险，为患者提供更加安全的用药建议。
（4）评估模型的性能和效果。
2.研究方法本研究采用以下研究方法：（1）文献调研和分析，对关联规则挖掘方法和药品不良反应预警研究进行深入分析和了解。
（2）构建药品不良反应预警模型，采用Apriori算法进行关联规则挖掘。
（3）数据处理和分析，包括数据清洗、预处理和模型构建等。
（4）模型评估和结果分析，通过评估模型在不同数据集上的性能和效果，对模型进行优化和改进。
三、研究意义和预期成果本研究可以收集医疗数据并使用关联规则分析，从而实现药品不良反应的预警和监测。
通过将挖掘出的关联规则应用于药品不良反应预警，可以更加准确地发现药品之间的相互作用和潜在的不良反应风险，为患者提供更加安全的用药建议。
此外，研究的方法和结果还可以为药品不良反应预警和监测提供新的思路和方法。
预期成果包括：（1）构建基于关联规则的药品不良反应预警模型；（2）发现药品之间的关联关系，及时预警药品不良反应；（3）基于实验数据对模型进行评估和改进；（4）提高患者用药的安全性和医疗质量。
药物副作用监测中的数据挖掘技术药物副作用是指药物在治疗疾病时会影响人体的其它部位，导致不良反应。
药物副作用是药物治疗过程中不可避免的一部分。
药物副作用监测是一个非常重要的工作，它可以及时发现药物的不良反应，降低治疗过程中的风险，保护患者的安全。
药物副作用监测中的数据挖掘技术是一种很有用的技术手段，可以帮助医务工作者从大量的数据中挖掘出与药物相关的信息，发现潜在的不良反应和风险，进而改善药物的治疗效果。
本文将从以下几个方面探讨药物副作用监测中的数据挖掘技术。
一、药物副作用监测中的数据挖掘技术的意义药物副作用的监测是针对药物的治疗过程中可能出现的不良反应进行的监测。
这种监测可以及时发现药物的副作用，以便医务工作者采取相应的措施，降低患者的风险。
数据挖掘技术则是在大量的数据中挖掘出存在价值的信息，以辅助决策。
结合药物副作用监测，数据挖掘技术可以发现与药物有关的信息和潜在的不良反应，帮助医务工作者制定更加有效和安全的治疗方案。
二、药物副作用监测中的数据挖掘技术的方法药物副作用监测中的数据挖掘技术主要有以下几种方法：1.关联规则挖掘关联规则挖掘是一种基于强度和支持度的挖掘方法。
它能够帮助医务工作者发现药物之间的关联规律，例如与某种药物同时使用的其他药物可能会引起某种不良反应等。
这对药物治疗的效果和安全进行检测是非常有益的。
2.分类与回归树分类与回归树是一种基于树状结构的数据挖掘方法，能够帮助医务工作者将药物的副作用归类。
通过分类与回归树的算法实现，每个药物的不良反应可以与它们的属性关联以确保能够及时发现潜在的危险。
3.贝叶斯分类贝叶斯分类是一种监督学习算法，其目的是通过概率分析来识别不良反应。
在许多情况下，贝叶斯分类可以根据临床数据的定性和定量特征，发现并识别出潜在的不良反应。
三、未来的药物副作用监测中的数据挖掘技术发展方向未来，随着数据挖掘技术的不断发展，药物副作用监测中的数据挖掘技术也会不断向前推进。
如何利用生物大数据技术预测药物的不良反应和副作用生物大数据技术的应用正在广泛涉及医药领域，其中之一就是利用生物大数据技术预测药物的不良反应和副作用。
随着药物研发和使用的不断增加，对于药物的安全性和有效性的评估变得越来越重要。
传统的药物评估方法费时费力，并且常常会忽略到一些罕见但严重的不良反应和副作用。
而生物大数据技术的应用可以帮助我们更准确地识别和预测药物的不良反应和副作用，从而更好地保护患者的安全。
首先，生物大数据技术可以帮助收集和整理大量的关于药物和患者的数据。
这些数据包括药物的化学信息、治疗效果、不良反应和副作用等方面的信息，以及患者的基因信息、生理参数、疾病状态等方面的信息。
通过对这些数据的分析和比较，我们可以寻找药物和患者之间的关联，从而预测药物的不良反应和副作用。
其次，生物大数据技术可以帮助建立药物不良反应和副作用的预测模型。
通过使用机器学习和数据挖掘等技术，我们可以从大量的数据中发现和提取出与药物不良反应和副作用相关的特征。
然后，我们可以利用这些特征来训练预测模型，从而能够根据患者的个体特征和药物的特性来预测可能的不良反应和副作用。
这样一来，医生和患者在决定是否使用某种药物时就可以更加谨慎和明智。
另外，生物大数据技术还可以帮助进行药物的个体化治疗。
每个患者的生理状况和基因组都有所不同，因此对于同一种药物，不同患者可能会有不同的反应和副作用。
通过分析和比较大量的个体数据，我们可以找到患者的个体化特征，从而能够为每个患者设计最适合他们的药物治疗方案。
这样一来，不仅可以最大程度地减少不良反应和副作用的发生，还可以提高药物的疗效和治疗成功率。
除了以上方法，生物大数据技术还可以帮助发现新的药物不良反应和副作用。
通过对大量药物使用和患者随访的数据进行分析，我们可以发现一些之前未被发现的不良反应和副作用。
这些新的发现可以帮助医生和药物研发人员更好地评估药物的安全性，并且可以促进新药的研发和改进。
基于数据挖掘的药物不良反应因果关系研究张文挥'赵文光摘耍目的：针对药物相q作用导致广大患者的发病率和死亡率提高，利用现有的药物不良反应自发报告系统的资源，研究如何高效快速地发现药物不良反应的发生，降低医疗意外的发生率。
方法：药物不良反应的数据挖掘和因果发现是…个非常有挑战性的课题，需要对药物信息和不良事件之间的所有组合进行分析，同时准确估计药物组合与不良事件之间的因果关系。
为有效识别药物与不良事件之间的因果关系，通过研究发现，可以将因果概念引入关联规则的数据挖掘中，通过关联规则找岀关联程度高的药物和不良事件的频繁项集，再通过贝叶斯网络中V结构的性质识别出药物与不良事件之间的因果关系。
结果与结论：通过比较由关联规则和因果发现所得出的100个高度关联结果，与关联规则相比，因果关系发现的结果准确度更高，并且通过因果关系发现的结果中存在更低的未知药物不良反应。
关键词数据挖掘药物不良反应关联规则因果关系Doi:10.3969/j.issn.1673-7571.2019.05.012［屮图分类号］R319［文献标识码］AResearch on the Causal Relationship of Adverse Drug Reactions Based on Data Mining/ZHANG Wen—hui,ZHAO Wen—giiang// China Digital Medicine.—201914(5):43to45Abstract Objective:In view of the harm that dmg interaction leads to the increase of morbidity and mortality of patients,this paper studies how to efficiently and quickly find the occurrence of adverse drug reactions and reduce the incidence of medical accidents by using the resources of the spontaneous reporting system of existing adverse drug reactions.Methods:Data mining and causal discovery of adverse drug reactions is a very challenging subject.It is necessary to analyze all combinations of drug information;md adverse events,and accurately estimate the causal relationship between drug combinations and adverse events.To effectively identify the causal relationship between drugs and adverse events,through the study,we have found that we can introduce the causality concept into data mining of association mles,find frequent让erasers of drugs and adverse events with a high degree of correlation through the association rules,and identify the causal relationship between drugs and adverse events through the properties of V structure in the Bayesian network.Results and conclusions:Among the10()highly correlated results obtained by association rules and causal fin d ings through comparison,the accuracy of results fbund by causal relationship detection is higher than that of results found by association rules,and there are fewer unknown adverse drug reactions in the results discovered by causal relationship.Keywords data mining,adverse drug reactions,association rules,causal relationshipCorresponding author School of Medical Information Engineering,Guangzhou University of Chinese Medicine,Cluangzhou 510006,Guangdong Province,P.R.C.1背景药物不良反应(Adverse Drug Reactions,ADR)是指合格药品在正常用法用量下出现的与用药目的无关的或意外的有害反应。
药品不良反应主要包括副作用、毒性作用、后遗效应、过敏反应、继发反应、特异性遗传素质等巾。
药物不良反应事件一直是医学上的一个频繁发生的事故，据世界卫生组织(WHO)调查，全球有”3病人死于不合理用药而非疾病本身，ADR发生率约为10%~20%,其中约5%的病人由于严重的ADR而死亡0。
以WHO报道的ADR发生率为依据，推算①广州中医药大学医学信息工程学院，5KMXI6,广东省广州市番禺区广州大学城外环东路232号5第5期43我国住院病人发生ADR人数约为250万~750万，不仅增加了患者痛苦，同时还导致卫生资源的浪费⑻。
预防药品不良反应越来越受到广大医务工作者的关注和重视，对如何降低ADR发生率，完善ADR监测体系，减少公众用药的安全隐患，日益成为社会公众关注的焦点。
研究表明，在临床上诱发药物不良反应的原因十分复杂，药物种类繁多，给药方法不同，患者体质及疾病程度各异，都与药品不良反应的发生密切相关，此外，混合用药也在一定程度上增加了其发生率⑷。
对于这种多因素的关联性事件的研究，基于药物不良事件报告系统的数据挖掘，对其他异构化的药物不良反应相关信息资源进行整合，对药物不良反应进行有效识别、存储、组织和利用等方向都是当今学术研究的热点。
2数据处理2.1数据来源从FDA不良事件报告系统数据库(FDA Adverse Event Reporting System,FAERS)中收集了大量的自发上报的数据，该数据库是美国FDA建立的药物不良事件自发上报数据库，其数据来源包括FDA 药物安全信息与不良反应监管计划MedWatch⑸收集的自发上报数据和FDA要求制药企业定期上报的强制性报告数据⑹。
2.2数据标准化在FAERS中，药物名称的输入是多种多样的，比如抗糖尿病药品甲福明二甲双弧(metformin)可以输入为苯乙双弧(diabex),盐酸二甲双弧(fortamet)等，诸如此类异构数据还有很多，为让这些数据能够统一标准，研究通过使用MedEx 工具把药品名称进行标准化，同时将重复的药品去除，最终得到统一标准的药品名称。
2.3数据筛选由于FAERS中的不良事件报告已通过使用MedDRA专业术语工具进行预处理，将重复出现的报告删除，同时将出现同一药品名称和不良事件小于5次的记录去除。
3分析方法3.1关联规则分析关联规则分析是一种在大规模数据集中寻找"有趣关系”的算法，它包含频繁项集和关联规则两种形式。
频繁项集表示同时出现次数较多的一类集合，关联规则表明两种或多种物品之间存在较强的关系。
在本文的关联规则挖掘中，假设集合A表示一种药物，集合B表示一个不良事件，则(A-B)表示一种关联规则，比如A=(阿司匹林+华法令阻凝剂)一*B=(流血)表示同时服用阿司匹林和华法令阻凝剂和流血是存在关联的。
而评估关联规则的强度则需要通过支持度和置信度这两个指标来刻画。
支持度表示药物不良反应事件中同时包含A和B的百分比，即A和B同时出现在所有事件中的概率；置信度则表示A出现的情况下，B会出现的概率，即条件概率。
而一个有趣的关联规则则需要同时满足最小支持度阈值和最小置信度阈值。
3.2因果关系挖掘方法由于通过关联规则分析得到的有趣关系通常是无法明确它们的关系的，而本研究的目的是希望通过一种方法研究发现药物的相互作用和不良事件之间的内在因果关系。
假设集合s=[s”s»表示FAERS数据库中的药物不良反应自发性报告，D=[d”d2,...,d”]表示药品的使用情况，其中&用二值变量表示，4=1时表示该报告中患者服用了第i种药品。
对于第/个药物不良反应报告，其用符号表示为号=l d i-d2船,其中y，表示报告j中是否存在不良事件，y=i表示存在不良事件，y=o表示不存在。
假设符号*表示第i种药物被患者服用，即&=「符号丫表示不良事件已经发生，即y =i。
因此，一个药物相互作用与不良反应事件的发生之间的关联规则可以表示为X、X»..X*T Y。
本文假设只有kN2时，才有进一步分析的价值，即当报告中存在两种及以上的药物被患者服用，同时发生了不良事件，这样的事件才可能存在药物之间的相互作用。
在一个比较简单的药物不良反应贝叶斯因果网络分析中，存在三个变量｛d”d»刃，其中但”色｝表示可能的原因，y表示可能导致的结果，它们的关系如图1所示。
其中(a-c)表示贝叶斯网络中的条件独立关系，即在给出事件y的情况下，变量心和变量d2条件独立，可表示为(色丄d2|y)0在(d)中，基于贝叶斯网络V结构可以知道，变量山、色和事件y也存在仙1 djy)这种关系,即只有阿司匹林和华法令阻凝剂同时服用下才有可能导致流血这种不良事件的发生。
图1贝叶斯因果网络结构44表1高阶关联规则中的药物组合分类及统计药物组合类别关联规则占比(%)贝叶斯因果网络占比(%)已知相工作用的药物组合1020已知联合用药或治疗同一疾病的药物组合413由其他混杂原因而出现的药物组介717末知相互作用的药物组合7950表2高阶关联规则分类类别关联规则贝叶斯因果网络(%)示例(%)1-a720(amiodarone+warfarin)INR increased2-a110(alendronate+esomeprazole)—femur fracture 3~a510(simvastatin+ramipri1)一rhabdomyolysis4-a4837(celecoxib+metformin)-*myocardial infarct ion 1-b302-b33(ranit idine+alendronate)—fall3-b27(aspirin+rosiglitazone)—■coronary artery disease 4-b3113(acetaminophen+siotretinoin)—intestinal hemorrhage4分析结果遵循食药监局药物警戒研究惯例中对药物不良反应临床有效性评价的标准，随机选择100条通过贝叶斯因果网络识别的规则，并通过相关医学人员的核对，对分析结果进行了归类。
