报告比值比
ROR
主要阳性条件
ROR025 > 1
点估计值
ROR ≥ 2
病例数要求
≥ 3例
置信区间
95% CI 下限 > 1
ROR = (a/c) / (b/d)
其中：
a = 目标药物+目标ADR病例数
b = 目标药物+其他ADR病例数
c = 其他药物+目标ADR病例数
d = 其他药物+其他ADR病例数
其中：
a = 目标药物+目标ADR病例数
b = 目标药物+其他ADR病例数
c = 其他药物+目标ADR病例数
d = 其他药物+其他ADR病例数
强信号检测能力
比例报告比
PRR
主要阳性条件
PRR ≥ 2 且 χ² ≥ 4
统计检验
卡方检验 p < 0.05
病例数要求
≥ 3例
应用场景
常规信号筛选
PRR = [a/(a+b)] / [c/(c+d)]
χ² = (ad-bc)²(a+b+c+d) / [(a+b)(c+d)(a+c)(b+d)]
χ² = (ad-bc)²(a+b+c+d) / [(a+b)(c+d)(a+c)(b+d)]
中等信号检测能力
贝叶斯置信传播神经网络
BCPNN
主要阳性条件
IC025 > 0
点估计值
IC > 0
信号强度
IC025 > 0 (强信号)
方法特点
贝叶斯方法，稳定性好
IC = log₂[(a/(a+b)) / (c/(c+d))]
IC025 = IC的95%置信区间下限
IC025 = IC的95%置信区间下限
强信号检测能力
经验贝叶斯几何均数
EBGM
主要阳性条件
EBGM05 > 2
点估计值
EBGM ≥ 2
病例数要求
≥ 3例
置信区间
95% CI 下限 > 2
EBGM = 观察值 / 期望值
EBGM05 = EBGM的95%置信区间下限
EBGM05 = EBGM的95%置信区间下限
中等信号检测能力
关联规则挖掘
ARM
主要阳性条件
Lift > 1 且 Conviction > 1
报告数要求
≥ 3例
支持度
≥ 预设阈值
应用场景
复杂关系检测
Lift(A∩B→C) = P(C|A∩B) / P(C)
Conviction(A∩B→C) = P(A∩B)P(¬C) / P(A∩B∩¬C)
Conviction(A∩B→C) = P(A∩B)P(¬C) / P(A∩B∩¬C)
中等信号检测能力
Ω收缩测度
Ω Shrinkage
主要阳性条件
Ω025 > 0
点估计值
Ω > 0
应用场景
药物相互作用检测
方法特点
收缩估计，减少假阳性
Ω = log₂[(n₁₁₁+0.5)/(E₁₁₁+0.5)]
Ω025 = Ω的95%置信区间下限
Ω025 = Ω的95%置信区间下限
强信号检测能力
时间至发生算法
TTO
主要阳性条件
KS检验或AD检验 p < 0.05
统计检验
双样本KS/AD检验
应用场景
时间分布差异检测
方法特点
不依赖报告数量
Dₘ,ₙ = max|Sₘ(X) - Sₙ(X)| (KS统计量)
其中Sₘ(X)和Sₙ(X)为经验分布函数
其中Sₘ(X)和Sₙ(X)为经验分布函数
中等信号检测能力
简化贝叶斯
sB
主要阳性条件
sBα > 2
α参数
0.5, 0.01, 0.0001
应用场景
小数据集分析
方法特点
简化计算，适合小样本
sBα = E(λ|N₁₁) - 1.645√Var(λ|N₁₁)
其中λ为相对报告率
其中λ为相对报告率
弱信号检测能力
| 检测方法 | 主要阳性条件 | 置信区间要求 | 病例数要求 | 信号强度 | 主要应用 |
|---|---|---|---|---|---|
| ROR | ROR025 > 1 | 95% CI下限 > 1 | ≥ 3例 | 强 | 常规信号检测 |
| PRR | PRR ≥ 2 且 χ² ≥ 4 | - | ≥ 3例 | 中等 | 常规信号筛选 |
| BCPNN | IC025 > 0 | 95% CI下限 > 0 | - | 强 | 稳定信号检测 |
| EBGM | EBGM05 > 2 | 95% CI下限 > 2 | ≥ 3例 | 中等 | FDA标准方法 |
| ARM | Lift > 1 且 Conviction > 1 | - | ≥ 3例 | 中等 | 复杂关系检测 |
| Ω收缩测度 | Ω025 > 0 | 95% CI下限 > 0 | - | 强 | 药物相互作用 |
| TTO | KS/AD检验 p < 0.05 | - | - | 中等 | 时间分布分析 |
| 简化贝叶斯 | sBα > 2 | - | - | 弱 | 小数据集分析 |
实际应用建议
🔍 多重验证原则
• 建议至少2种方法同时显示阳性才确认为潜在信号
• 优先选择ROR + BCPNN或EBGM + BCPNN组合
• 对于药物相互作用，建议使用Ω收缩测度结合其他方法
🎯 临床相关性判断
• 统计信号必须结合临床意义进行最终判断
• 考虑药物药理作用、患者特征、时间关系等因素
• 对于TTO检测的信号，需验证时间关系的合理性
⚡ 阈值调整策略
• 对于严重不良事件可适当降低阳性阈值
• 对于常见药物或事件可适当提高阳性阈值
• 小数据集可使用简化贝叶斯方法
📊 持续监测要求
• 信号需要随时间推移进行持续验证
• 定期更新数据库并重新计算信号强度
• 结合不同数据源进行交叉验证
🔄 方法选择指南
• 常规监测: ROR, PRR, BCPNN, EBGM
• 药物相互作用: Ω收缩测度, CSS, INTSS
• 时间分析: TTO算法(KS/AD检验)
• 复杂关系: 关联规则挖掘(ARM)
• 小样本: 简化贝叶斯(sB)
