ADR信号筛选的常用算法比较

算法的评价没有金标准，所以很难对算法作优劣比较。描述算法的好坏可用回顾性研究，即当确定某药品能引起不良反应时，运用这些算法看是否能更早地发现信号。

图12－4显示了应用BCPNN算法对WHO－UMC数据库中卡托普利引起咳嗽的不良反应进行回顾性研究的结果。其中以代表药品－不良反应关联程度的IC值为纵轴，时间为横轴。图中的空心点表示IC值，竖线表示IC值的95%可信区间，当线段的下端＞0时，也就是IC值95%可信区间下限＞0时被认为是一个强的信号。从图12－4可见，1981年第3季度时线段的下端已经在0上方，可以认为是一个强的信号，但是在1983年才有人发布这个不良反应，1986年才被广为报道。图12－4可表明BCPNN算法能比传统的方法更快速地发现信号。

另外一种比较的方法是将各种算法放在一个数据库里分别运算，比较这些算法发现信号的能力。魏志军等比较过BCPNN、mGPS、PRR、ROR和英国的经过校验的PRR（也被称为MHRA法）5种算法对已知的10个药品－不良反应产生的信号强度，还比较了用BCPNN、mGPS和MHRA　3种方法产生的最强的信号和各自的报告例数。

Van Puijenbroek等也对各种方法做了平行比较，他们以BCPNN产生的结果作为标准参照，计算ROR、PRR、Yule′s Q和Poisson　4种算法在信号筛选时的敏感度、特异度、阳性预期值、阴性预期值等各项指标。同时，他们也特别指出用BCPNN作为参照的缺点是BCPNN并非金标准，产生的信号有些是假阳性，被排除的药品－不良反应组合中有些是真阳性，所以该比较结果并不能说明谁优谁劣，而只能说明这些算法与BCPNN的一致性。

各种算法各有利弊，因此参考多种方法得出的结论可以最大限度地避免遗漏药品－不良反应信号。