Combinando las redes sociales y el sistema de informes de eventos adversos de la FDA para detectar reacciones adversas a los medicamentos

Este estudio utiliza un método computacional (modelo bayesiano empírico) para combinar las señales de seguridad de los medicamentos de un sistema de informe espontáneo con los de las redes sociales.La precisión de la detección de señales utilizando las redes sociales se puede mejorar combinando las señales con las de los sistemas de informes espontáneos.La evaluación del sistema combinado y las fuentes individuales se basó en un estándar de referencia bastante grande, y los resultados de este estudio arrojan luz sobre el papel potencial de los datos de Twitter en la farmacovigilancia.  Drug Saf , 8 de mayo de 2020

Introducción

Las reacciones adversas a los medicamentos (RAM) son reacciones involuntarias causadas por un medicamento o una combinación de medicamentos tomados por un paciente. El sistema de vigilancia de seguridad actual se basa en sistemas de notificación espontánea (SNE) y más recientemente en datos de salud observacional; sin embargo, la detección de RAMpuede retrasarse y carecer de diversidad geográfica. El amplio alcance de las conversaciones en las redes sociales, como las de Twitter, puede incluir temas relacionados con la salud. En consecuencia, estos datos podrían usarse para detectar RAM potencialmente novedosas con menos latencia. Si bien la investigación sobre la detección de RAMa través de las redes sociales ha progresado, los hallazgos se basan en fuentes de información únicas, y ningún estudio ha integrado aún evidencia de seguridad de drogas de un SNE y Twitter.

Objetivo

El objetivo de este estudio fue combinar señales de un SNE y Twitter para facilitar la detección de señales de seguridad y comparar el rendimiento del sistema combinado con las señales generadas por fuentes de datos individuales.

Métodos

Extrajimos posibles publicaciones de RAMde medicamentos de Twitter, utilizamos la maximización de expectativas de Monte Carlo para generar señales de seguridad de medicamentos tanto del Sistema de Informe de Eventos Adversos de la FDA de EE. UU. Como de publicaciones de Twitter, y luego integramos estas señales utilizando un modelo jerárquico bayesiano. Los resultados del sistema integrado y dos fuentes individuales se evaluaron utilizando un estándar de referencia derivado de las etiquetas de los medicamentos. El área bajo la curva de características operativas del receptor (AUC) se calculó para medir el rendimiento.

Resultados

Observamos una mejora significativa en el AUC del sistema combinado al compararlo solo con Twitter, y ninguna mejora al comparar solo con el SNE. Las AUC variaron de 0.587 a 0.637 para el SNE combinado y Twitter, de 0.525 a 0.534 solo para Twitter, y de 0.612 a 0.642 solo para el SNE. Los resultados variaron porque se aplicaron diferentes procedimientos de preprocesamiento a Twitter.

Conclusión

La precisión de la detección de señales utilizando las redes sociales se puede mejorar combinando señales con las de los SNE. Sin embargo, el sistema combinado no puede lograr un mejor rendimiento de AUC que los datos de FAERS solo, lo que puede indicar que los datos de Twitter no están listos para integrarse en un sistema de combinación puramente basado en datos.

 

El trabajo

Li, Y., Jimeno Yepes, A. & Xiao, C. Combining Social Media and FDA Adverse Event Reporting System to Detect Adverse Drug Reactions. Drug Saf (2020). https://doi.org/10.1007/s40264-020-00943-2

En https://bit.ly/2WbS7vE

Compartir