计算机技术应用于ADR因果关系判断

ADR因果关系判断即ADR疾病诊断，是ADR监测中的难点，直接关系到对药物的正确评价，也是最值得探讨的问题之一。

（一）计算机化评分法

评分法是标准化评价方法的一种，由临床医生按ADR影响因素，设计成一系列的问题，形成计算机流程图并编码计算其分值，最后由计算机得出结论。比较常用的两种评分法是Naranjo的APS（adverse reaction probability scale）和Kramer的耶鲁评分。计算机化评分法与单纯的ADR评分法相比，存在同样的缺陷，如问题简单化、缺乏灵活性等，因此其使用范围较狭窄。

（二）贝叶斯不良反应诊断系统（bayesian adversedrug reactiondiagnostic instrument，BARDI）

BARDI是基于贝叶斯理论的ADR计算机判断，以概率定量的形式判断多种可能的原因，能全面准确地评价影响ADR的所有因素。早在1982年，理论统计学家David就提出基于朴素贝叶斯概率的不良反应评价方法。该方法以进行多因素分析的贝叶斯概率理论为基础，保证了进行综合评价时的内在逻辑性，把不良反应评价从定性评价阶段带入定量评价阶段。此外，利用这种方法还可以设计各种逻辑模型，预测不良反应发生率。当然，朴素贝叶斯方法也有其自身的缺陷，如它假定类条件独立，虽简化了计算，但却与实践中变量之间相互依赖的情况不符。数据挖掘中以贝叶斯概率理论为基础的贝叶斯网络很好地解决了这一难题。它以一种因果关系的图模型表达联合条件概率分布，允许在变量的子集间确定类条件的独立与否。其精深的运算和图解能力可弥补朴素贝叶斯评价法的不足，使人们更加直观、高效地认识不良反应与药物之间的关系。此外，贝叶斯网络与现行的BCPNN相比，具有其独特的优势。其所提供的模型是建立在多因素分析和逻辑判断基础上的因果关系模型，而不是像BCPNN模型那样以药物和不良反应在数据库中出现的贝叶斯概率比值为权重建立神经网络模型，仅进行关联度而非真正意义上的因果分析。因此，贝叶斯网络是不良反应因果评价领域中最具应用前景的数据挖掘方法之一。

（三）人工神经网络（artificial neural network，ANN）

人工神经网络是人工智能领域的重要分支，它是一个用大量的简单处理单元（神经元）经广泛并行互连所构成的人工网络，用于模拟人脑神经系统的结构和功能。医学中的许多复杂问题，信息来源既不完整，又含有假象，且经常遇到不确定性信息，决策规则往往相互矛盾，有时无条理可循，这给传统专家系统应用造成极大困难。而神经网络技术能突破这一障碍，根据已学知识和处理问题的经验对复杂问题做出合理的判断，给出较满意的解答，或对未来过程作出有效的预测。因此神经网络被用于医学领域的临床诊断，图像分析和解释，信号分析和解释，以及药物开发等，同样ADR因果关系判断问题也可以用人工神经网络来解决。通过神经网络分析对特定的某一种药物可预测其ADR，并且今后有可能在相对较大的数据库中预测药物的作用机制。