使用贝叶斯通用线性混合模型改进药监信号检测
Paloma Hauser1, Xianming Tan1, Fang Chen2
1Department of Biostatistics, University of North Carolina, Chapel Hill, North Carolina, USA.
Statistics in medicine
|May 16, 2025
概括
本研究引入了一种新的统计模型,通过整合对不良事件 (AE) 的生物知识来改善疫苗安全监测. 贝叶斯通用线性多重低级混合模型 (GLMLRM) 提高了检测疫苗不良事件关联的准确性.
科学领域:
- 药物监督 药物监督 药物监督
- 生物统计学 生物统计学
- 计算生物学 计算生物学
背景情况:
- 疫苗安全监测对于公众健康至关重要,因为疫苗接种广泛.
- 当前的信号检测方法往往忽视了不良事件 (AE) 之间的生物关系.
- 需要先进的统计方法来提高识别疫苗不良事件关联的准确性.
研究的目的:
- 提出一个新的贝叶斯概括线性多重低级混合模型 (GLMLRM) 来分析高维的市场后药物安全数据库.
- 将不良事件本体学和现场知识整合到统计模型中,以加强疫苗安全信号检测.
- 提高疫苗与不良事件之间的关联识别的准确性和效率.
主要方法:
- 贝叶斯通用线性多重低级混合模型 (GLMLRM) 的开发.
- 整合不良事件本体 (结果级分组) 和低级矩阵.
- 使用因子分析模型对响应依赖性和稀疏系数矩阵.
- 使用大都市/Gamerman-within-Gibbs采样程序进行后期估计.
主要成果:
- 拟议的GLMLRM有效地将不良事件的生物学知识与统计分析相结合.
- 模拟研究表明,该模型能够识别疫苗与不良事件的关联.
- 对疫苗不良事件报告系统 (VAERS) 的应用说明了其实际实用性.
结论:
- 将不良事件现场知识整合到统计模型中,可以显著改善疫苗安全监测.
- 拟议的GLMLRM提供了一种可靠和准确的方法来分析高维的市场后药物安全数据.
- 这种方法提高了检测真实疫苗不良事件信号的能力,有助于公共卫生保护.


