Erweiterte logistische Regression

In diesem Beitrag wird ein neuer Algorithmus beschrieben, der eine Mischung aus Erweiterter Logistischer

Regression (ELR) und dem Multi-Item Gamma Poisson Shrinker (MGPS) ist. Er ist ähnlich wie

MGPS insofern, als dass die relativen Melderaten (RR) in einen Bayes’schen Gamma-Poisson

Schrumpfungsalgorithmus eingegeben werden, um zuverlässigere geschätzte Raten und Konfidenzintervalle zu erhalten. Der

Hauptunterschied besteht darin, dass anstelle der Stratifizierung und eines Mantel-Haentzel-Ansatzes zur

um Patientenkovariablen zu bereinigen und einen bereinigten Erwartungswert (E) zu berechnen, der als

Nenner für RR verwendet wird, werden die Werte von E anhand der Ergebnisse einer ELR-Analyse berechnet.

Dieser neue regressionsbereinigte GPS-Algorithmus wird als RGPS abgekürzt. Dieses Papier

wird der Algorithmus in einigen (jedoch nicht vollständigen) Details beschrieben, einschließlich der Methode zum

Screening auf Arzneimittel-Wechselwirkungen. Außerdem werden die Ergebnisse von RGPS mit denen von

von MGPS und ELR mit einer aktuellen AERS-Datenbank und verwendet den OMOP-Goldstandard-Satz von

fast 400 Arzneimittel-Ereignis-Kombinationen (DECs), um zu zeigen, dass RGPS eine größere

Trennschärfe hat als die früheren Methoden.

Die RGPS-Methodik

Die RGPS-Methodik besteht aus drei Hauptschritten. Zunächst wird ein Satz von Prädiktoren (Drogen und

gruppierte Strata-Kovariaten) automatisch ausgewählt, um ein Bayes’sches ELR-Modell anzupassen. Für

Klarheit unterscheiden wir zwischen der aktuellen ELR-Analyse, die in Empirica

Signal v7 (ES-ELR) und der Art und Weise, in der ELR in RGPS implementiert ist,

die wir als RGPS-ELR bezeichnen. Die Auswahl der in ES-ELR zu verwendenden Medikamente ist halbautomatisch, da es Standardregeln gibt, die ausschließlich auf Nj, der Anzahl der mit Medikament j gemeldeten Ereignisse

der Anzahl der mit dem Medikament j gemeldeten Ereignisse, aber der Benutzer wird ermutigt, sowohl diese Regeln zu ändern als auch

andere Arzneimittel in das Modell aufzunehmen, wenn diese von besonderem Interesse sind. Disproportionalität

Ergebnisse werden nur für die in das Modell einbezogenen Arzneimittel berichtet, und die

Disproportionalitäten sind ausschließlich eine Funktion der geschätzten Koeffizienten aus der Modellanpassung, ohne

ohne Bayes’schen Schrumpfungsaspekt im Algorithmus. Das Fehlen der Bayes’schen Schrumpfung bedeutet, dass,

Insbesondere bei seltenen Ereignissen ist die Zahl der Arzneimittel, für die mit ES-ELR Schätzungen vorgenommen werden können, begrenzt durch Bedenken hinsichtlich der rechnerischen Schätzbarkeit, der statistischen Kollinearität und

Zuverlässigkeit und die Sorge um Mehrfachvergleiche. Die RGPS-ELR-Schätzung

beinhaltet einen empirischen Bayes-Schrumpfungsprior für die Koeffizienten, der es ermöglicht, viel mehr

Freiheitsgrade in das Modell aufgenommen werden können, als dies bei ES-ELR der Fall ist. Die Behandlung

von Berichtskovariaten unterscheidet sich in RGPS ebenfalls von der ES-ELR und MGPS. ES-ELR

schließt Kovariatenwerte als gewöhnliche Prädiktoren in das Regressionsmodell ein, die

additiv auf der logistischen oder erweiterten logistischen Skala. Dies bedeutet, dass Interaktionen zwischen

Kovariaten wie Alter und Geschlecht nicht modelliert werden, während bei MGPS alle Kombinationen von

Kovariatenwerte eine separate Rolle in der Mantel-Haenzel-Stratifizierungsmethode spielen. Die

RGPS-Ansatz kann als eine Mischform dieser Ansätze betrachtet werden, bei der eine Bayessche

Clustering der Schichten auf der Grundlage aller Kombinationen durchgeführt wird, um Schichten zu gruppieren

zu gruppieren, die ähnliche Antworthäufigkeiten zu haben scheinen, und die resultierenden Gruppen bestimmen dann

getrennt geschätzte Achsen für das Regressionsmodell.

Im zweiten Schritt werden die erwarteten Zählungen für jedes Medikament in der Datenbank auf der Grundlage des

dem im ersten Schritt berechneten RGPS-ELR-Modell geschätzt. Im dritten Schritt wird eine Zwei-Parameter

Gamma-Poisson-Schrumpfungsalgorithmus zur Berechnung der angepassten relativen Melderaten

und ihre zugehörigen Konfidenzintervalle auf der Grundlage der beobachteten Zählungen (Nj) und der

erwarteten Zählungen (Ej), die im zweiten Schritt berechnet wurden. Dieser dreistufige Prozess wird für

jedes zu berechnende Ereignis (Reaktion) wiederholt.

Empirische Bewertung von RGPS

Wir vergleichen MGPS und RGPS, um Unterschiede zwischen den beiden Methoden zu ermitteln. Als Teil

dieser Bewertung geben wir eine Übersicht über die Unterschiede zwischen den beiden

Methoden in Bezug auf die Disproportionalitätsschätzungen (relative Meldequoten), die sie

und zielen darauf ab, Fälle (DECs) zu identifizieren, bei denen die beiden Methoden zu

widersprüchliche Ergebnisse liefern. Widersprüchliche Ergebnisse werden ermittelt, indem untersucht wird, ob die

zwei Methoden Disproportionalitätskonfidenzintervalle erzeugen, die sich überschneiden.

Interessant sind die Fälle, in denen die Methoden nicht überlappende Konfidenzintervalle

Intervalle ergeben. Dies sind auch Fälle, die potenzielle Indikatoren für Verwechslungen und Verdeckungen sind

die mit der RGPS, aber nicht mit der MGPS erkannt werden können.

Der Vergleich basiert auf der öffentlich zugänglichen Version von AERS (und SRS), die den

Zeitraum von 1968 bis 2011Q3 (4.784.337 Meldungen). Wir konzentrieren uns nur auf die Ereignisse

(bevorzugte Begriffe) mit mindestens 100 Meldungen und auf DECs mit mindestens 5 Meldungen. Diese

beschränken wir unseren Vergleich auf DECs mit engeren nominalen Konfidenzintervallen und können so

und ermöglicht es uns, uns auf Unterschiede zu konzentrieren, die wahrscheinlich auf die Methoden zurückzuführen sind.