信号检测与统计评估

信号检测是从累积的报告或数据中识别信息的过程，这些信息表明药物与不良事件之间存在新的或已改变的关联，值得进一步调查。统计和临床评估随后将原始报告转化为优先假设，将定量的失衡方法与个体病例的结构化评估相结合。

Definition

药物警戒中的信号检测是指从一个或多个来源中识别药物与事件之间潜在的因果关联，或已知关联的新方面，并认为值得验证；病例评估是对药物引起特定反应的可能性进行结构化评估。

Scope

本条目涵盖了什么是安全信号、在自发报告数据库中标记信号的主要定量方法（频率论失衡和贝叶斯收缩方法），以及个体病例因果关系评估的补充任务。它是一个方法学参考，不提供临床指导。

Core questions

• 什么可以称之为安全信号？
• 失衡度量如何标记药物-事件对？
• 贝叶斯方法如何改进简单的失衡分析？
• 如何判断个体报告的因果关系？

Key concepts

• 安全信号
• 失衡分析
• 比例报告比 (PRR)
• 报告优势比 (ROR)
• 贝叶斯收缩 (BCPNN, MGPS / 经验贝叶斯)
• 因果关系评估 (例如 Naranjo 算法, WHO-UMC 分类)
• 适应症混杂和报告偏倚

Mechanisms

定量信号检测将报告数据库视为一个大型列联表，并询问某个特定的药物-事件对的报告频率是否不成比例地高于数据中其他部分的预期。频率论度量，如比例报告比（proportional reporting ratio）和报告优势比（reporting odds ratio），直接表达了这种失衡（Evans et al., 2001; van Puijenbroek et al., 2002）。贝叶斯方法——贝叶斯置信传播神经网络（Bayesian confidence propagation neural network）和多项目伽马-泊松收缩器/经验贝叶斯几何平均（multi-item gamma-Poisson shrinker / empirical Bayes geometric mean）——应用收缩（shrinkage），以避免报告数量少的药物-事件对被错误标记，从而提高了稀疏数据的稳定性（Bate et al., 1998; DuMouchel, 1999）。统计标记只是一个起点：候选信号会经过临床审查，并使用结构化因果关系工具（如Naranjo概率量表）评估个体病例，该量表权衡了时间关系、停药、再用药和替代解释（Naranjo et al., 1981; Bate & Evans, 2009）。

Clinical relevance

信号检测决定了监管机构和临床医生应进一步调查哪些可能的药物危害，而因果关系评估则构成了如何解释个体疑似反应的框架。本条目解释了这些分析方法；它描述了如何评估证据，而不是个体诊断或治疗决策的基础。

Epidemiology

失衡方法应用于包含数百万份报告的自发数据库，其目的是在控制假阳性的同时进行有效筛选；比较研究表明，各种度量方法在强信号上通常一致，但在稀疏的药物-事件对上则存在分歧，这就是为什么收缩方法被广泛使用的原因（van Puijenbroek et al., 2002; Bate & Evans, 2009）。

History

因果关系评估首先被形式化，1981年Naranjo量表等结构化算法使病例评估具有可重复性。人群层面的定量信号检测随后在1990年代和2000年代发展起来：贝叶斯置信传播神经网络于1998年引入WHO数据库，经验贝叶斯数据挖掘于1999年用于FDA系统，比例报告比于2001年用于常规信号检测，此后比较和方法学综述巩固了实践（Bate et al., 1998; DuMouchel, 1999; Evans et al., 2001; Bate & Evans, 2009）。

Debates

失衡信号是否反映真实风险？

统计信号衡量的是报告模式，而非发病率，可能源于报告偏倚、适应症混杂或媒体关注；关于自动信号应给予多大权重以及应使用哪些阈值仍存在争议。

单病例因果关系评估的可靠性如何？

结构化算法提高了可重复性，但仍依赖于判断和不完整的信息，且不同的工具可能对同一病例进行不同的分类，因此单病例因果关系被视为概率性的而非确定性的。

Key figures

• Stephen Evans
• Andrew Bate
• William DuMouchel
• Eugène van Puijenbroek
• Claudio Naranjo

Seminal works

• naranjo-1981
• bate-1998
• dumouchel-1999
• evans-2001

Frequently asked questions

什么是安全信号？

它是指提示药物与不良事件之间可能存在新的或已改变的因果关联的信息，并被认为值得进一步调查。信号是一个有待验证的假设，而不是已证实的风险。

为什么使用贝叶斯方法而不是简单的比率？

当药物-事件对的报告数量非常少时，简单的比率可能由于偶然性而显得很大。贝叶斯收缩方法将这些估计值拉向总体模式，从而减少稀疏数据的假阳性。