科研 Skill

药物警戒信号挖掘

pharm-pharmacovigilance

下载FAERS数据去重标准化后计算ROR/PRR/EBGM信号,讨论报告偏倚局限。适用于药物不良事件信号挖掘类论文,不做因果判定。

发布者 Codar安全审核通过v0.1.0更新于 2026-11-18

SKILL.md

药物警戒不成比例分析(Disproportionality Analysis in Pharmacovigilance)

适用场景

  • 挖掘某类药物(如免疫检查点抑制剂、GLP-1 受体激动剂)在 FAERS 中的不良事件信号。
  • 比较同类药物间特定不良事件(如肝损伤、间质性肺病)的报告比例差异。
  • 分析不良事件的发生时间(time-to-onset)、严重结局分布和人群特征。
  • 对已有临床试验或文献提示的风险进行真实世界报告层面的复核。
  • 为毕业论文或期刊投稿准备符合 READUS-PV 的方法与结果描述。

边界与不适用

  • 仅用于科研性信号检测;不可据此对个体患者做用药、停药、剂量调整或治疗决策。
  • 不成比例信号只表示"报告比例偏高",不代表因果关系、发生率或风险大小,不能计算发病率。
  • 不替代监管机构的正式信号评估;国家药品不良反应监测中心的个例数据一般不公开,不在本 Skill 处理范围。
  • 不覆盖药物利用研究(见 pharm-drug-utilization)。

工作流

  1. 数据获取
    • 输入:研究药物、目标不良事件、研究时间窗。
    • 操作:从 FDA FAERS 官网下载季度 ASCII 文件(DEMO、DRUG、REAC、OUTC、RPSR、THER、INDI);2012Q4 之前为 legacy AERS(字段名为 ISR/CASE),之后为 FAERS(PRIMARYID/CASEID),合并时需统一。
    • 产出:按季度合并的原始表。
  2. 去重
    • FDA 推荐思路:同一 CASEID 保留 FDA_DT 最新的记录;FDA_DT 相同时保留 PRIMARYID 最大者。
    • 剔除 FDA 每季度随数据包发布的已删除病例清单中的病例。
    • 可进一步按关键字段(性别、年龄、事件日期、国家、药物、PT)做疑似重复检测,规则须写明。
  3. 药物识别
    • DRUG 表中 drugname 和 prod_ai 为自由文本:统一大小写、去除剂型/规格词,构建包含通用名、商品名的同义词表;可借助 RxNorm 标准化。
    • 角色代码 role_cod:PS(首要怀疑)、SS(次要怀疑)、C(合并)、I(相互作用);主分析通常仅用 PS(或 PS+SS),需预先规定。
  4. 事件编码
    • REAC 表 PT 为 MedDRA 首选术语;按 MedDRA 层级映射至 SOC,或使用 SMQ(标准 MedDRA 分析查询)定义复合事件。MedDRA 需通过 MSSO 订阅获取(学术机构可申请)。
    • 注意 MedDRA 版本更替导致的 PT 变化。
  5. 信号计算(2×2 表)
    • a:目标药物-目标事件报告数;b:目标药物-其他事件;c:其他药物-目标事件;d:其他药物-其他事件。
    • ROR = (a/c)/(b/d),95% CI 下限 > 1 且 a ≥ 3 视为信号(常用标准)。
    • PRR = [a/(a+b)]/[c/(c+d)];Evans 标准:PRR ≥ 2、χ² ≥ 4、a ≥ 3。
    • BCPNN:信息成分 IC,IC025 > 0 为信号。
    • MGPS:EBGM,EB05 ≥ 2 常作为信号阈值。
    • 决策点:比较组选择(全库 vs 同类活性对照药),后者可部分缓解适应症混杂;考虑排除已知强刺激报告(如媒体关注期)。
  6. 补充分析
    • 发生时间:event_dt − start_dt,Weibull 分布形状参数描述风险随时间变化。
    • 亚组:性别、年龄、报告者类型(医疗专业人员 vs 消费者)。
    • 敏感性分析:仅 PS、排除特定适应症、不同时间窗。
  7. 局限讨论
    • 漏报、刺激性报告(Weber 效应、notoriety bias)、适应症混杂、缺乏分母、数据质量参差。

工具与数据源

  • FDA FAERS 季度数据文件(FDA 官网 FAERS 页面)与 FAERS Public Dashboard。
  • WHO VigiBase(Uppsala Monitoring Centre,需申请访问);VigiAccess 公开查询。
  • MedDRA(MSSO,订阅许可)。
  • RxNorm(美国国家医学图书馆)药物名称标准化。
  • R:openEBGM(MGPS/EBGM 计算)、data.table/dplyr(大表处理);Python:pandas、duckdb。
  • 中文:国家药品不良反应监测中心年度报告(宏观背景引用)。

最小代码示例(Python,ROR 与 PRR)

import numpy as np
from scipy.stats import chi2_contingency

def disproportionality(a, b, c, d):
    ror = (a / c) / (b / d)
    se = np.sqrt(1/a + 1/b + 1/c + 1/d)
    ror_ci = np.exp(np.log(ror) + np.array([-1.96, 1.96]) * se)
    prr = (a / (a + b)) / (c / (c + d))
    se_p = np.sqrt(1/a - 1/(a + b) + 1/c - 1/(c + d))
    prr_ci = np.exp(np.log(prr) + np.array([-1.96, 1.96]) * se_p)
    chi2 = chi2_contingency([[a, b], [c, d]], correction=True)[0]
    return dict(a=a, ROR=ror, ROR_lo=ror_ci[0], ROR_hi=ror_ci[1],
                PRR=prr, PRR_lo=prr_ci[0], chi2=chi2,
                ROR_signal=(a >= 3 and ror_ci[0] > 1),
                PRR_signal=(a >= 3 and prr >= 2 and chi2 >= 4))

print(disproportionality(a=45, b=12000, c=3800, d=9_500_000))

质量检查

  • 数据季度范围、FAERS/legacy AERS 合并方式已说明。
  • 去重规则与官方删除病例清单已应用,报告去重前后病例数(流程图)。
  • 药物同义词表与 role_cod 选择已公开(附件)。
  • MedDRA 版本、PT/SMQ 定义已注明。
  • 每种算法的阈值预先设定;报告 a 值与 CI,不仅报告点估计。
  • 比较组选择与敏感性分析已说明。
  • 讨论中未使用"风险增加""导致"等因果表述,局限完整。
  • 按 READUS-PV 清单逐项核对。

输出格式

  • 病例筛选流程图(原始报告 → 去重 → 目标药物 → 目标事件)。
  • 人口学表:性别、年龄、报告国家、报告者、严重结局。
  • 信号表:SOC、PT、a、ROR(95% CI)、PRR(χ²)、IC025、EB05、是否信号。
  • 发生时间分析:中位时间(IQR)、Weibull 参数。
  • 论文局限段落模板与 READUS-PV 核对表。

参考规范与文献

  • Evans SJW, Waller PC, Davis S. 2001. Use of proportional reporting ratios (PRRs) for signal generation from spontaneous adverse drug reaction reports. Pharmacoepidemiology and Drug Safety.
  • Bate A, et al. 1998. A Bayesian neural network method for adverse drug reaction signal generation. European Journal of Clinical Pharmacology.
  • DuMouchel W. 1999. Bayesian data mining in large frequency tables, with an application to the FDA spontaneous reporting system. The American Statistician.
  • van Puijenbroek EP, et al. 2002. A comparison of measures of disproportionality for signal detection in spontaneous reporting systems for adverse drug reactions. Pharmacoepidemiology and Drug Safety.
  • Fusaroli M, et al. 2024. The REporting of A Disproportionality Analysis for DrUg Safety Signal Detection Using Individual Case Safety Reports in PharmacoVigilance (READUS-PV): explanation and elaboration. Drug Safety.
  • CIOMS Working Group VIII. 2010. Practical Aspects of Signal Detection in Pharmacovigilance.

示例提示词

请清洗近五年 FAERS 数据,对某类药物的肝损伤报告计算 ROR、PRR 和 BCPNN 并说明局限。

所属插件

药学与药理学面向药学与药理学研究:靶点与药物数据库、剂量-效应与联用协同、非房室药动学与生物等效、群体药动学建模、药物警戒信号挖掘、药物利用研究、药理实验设计与制剂 QbD。

安装该插件会一并获得同领域的 9 个 Skill / MCP。

同插件的其他科研 Skill

常见问题

药物警戒信号挖掘能做什么?

下载FAERS数据去重标准化后计算ROR/PRR/EBGM信号,讨论报告偏倚局限。适用于药物不良事件信号挖掘类论文,不做因果判定。

如何安装药物警戒信号挖掘?

在科搭 Codar 左侧点击「插件」,在「组件」页签搜索「药物警戒信号挖掘」并安装;在 Claude Code 或 Codex 中可以发送本页的安装提示词,或下载 Skill 包后解压到 ~/.claude/skills 或 ~/.codex/skills。

药物警戒信号挖掘需要哪些权限?

该科研 Skill没有声明额外权限;执行具体操作时仍由 Agent 按自身规则请求确认。

药物警戒信号挖掘经过官方审核吗?

是。SpeedSkills 收录的每个版本都会记录内容摘要与权限声明,当前版本已通过安全审核。