
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.