基于FAERS數(shù)據(jù)庫(kù)的抗體藥物偶聯(lián)物相關(guān)間質(zhì)性肺疾病不良事件信號(hào)挖掘

基于FAERS數(shù)據(jù)庫(kù)的抗體藥物偶聯(lián)物相關(guān)間質(zhì)性肺疾病不良事件信號(hào)挖掘1.內(nèi)容概括對(duì)抗體藥物偶聯(lián)物(ADCs)相關(guān)間質(zhì)性肺疾病(ILD)的不良事件進(jìn)行信號(hào)挖掘。通過(guò)對(duì)FAERS數(shù)據(jù)庫(kù)中的數(shù)據(jù)進(jìn)行收集、整理和分析，我們將探討ADCs與ILD之間的關(guān)聯(lián)性，以期為臨床醫(yī)生提供更準(zhǔn)確的診斷依據(jù)和治療建議。我們將對(duì)FAERS數(shù)據(jù)庫(kù)進(jìn)行清洗，提取與ADCs相關(guān)的不良事件數(shù)據(jù)。通過(guò)對(duì)這些數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，探討ADCs與ILD之間的關(guān)聯(lián)程度。我們還將嘗試建立預(yù)測(cè)模型，以便在早期識(shí)別潛在的ADCs相關(guān)ILD風(fēng)險(xiǎn)。我們將對(duì)所得結(jié)果進(jìn)行可視化展示，以便更好地理解和解釋相關(guān)性。1.1研究背景在生物醫(yī)藥領(lǐng)域，抗體藥物偶聯(lián)物(ADCs)作為一種新型的抗腫瘤治療方法，已經(jīng)在臨床應(yīng)用中取得了顯著的療效。隨著ADCs的廣泛使用，相關(guān)的不良事件(AEs)也日益增多，尤其是與間質(zhì)性肺疾病(ILD)相關(guān)的AEs。據(jù)美國(guó)食品藥品監(jiān)督管理局(FDA)的數(shù)據(jù)顯示，ADCs導(dǎo)致的不良事件中，約有510與ILD有關(guān)。這些不良事件的發(fā)生不僅影響了患者的生活質(zhì)量，還可能導(dǎo)致嚴(yán)重的健康問(wèn)題甚至死亡。對(duì)ADCs相關(guān)的ILD不良事件進(jìn)行深入研究，對(duì)于指導(dǎo)臨床用藥、優(yōu)化治療方案具有重要意義。FAERS自1963年建立以來(lái)，已經(jīng)積累了大量的藥物不良事件數(shù)據(jù)，為藥物研發(fā)和監(jiān)管提供了寶貴的信息資源。由于FAERS數(shù)據(jù)庫(kù)涵蓋的藥物種類繁多，涉及的疾病類型眾多，因此在研究過(guò)程中需要對(duì)數(shù)據(jù)進(jìn)行篩選、整合和分析，以便挖掘出與抗體藥物偶聯(lián)物相關(guān)的ILD不良事件信號(hào)。本研究將基于FAERS數(shù)據(jù)庫(kù)，采用機(jī)器學(xué)習(xí)、文本挖掘等方法，對(duì)ADCs相關(guān)的ILD不良事件進(jìn)行信號(hào)挖掘，旨在揭示ADCs使用過(guò)程中潛在的不良反應(yīng)風(fēng)險(xiǎn)，為臨床醫(yī)生提供更加準(zhǔn)確、全面的用藥建議。1.2研究目的本研究旨在通過(guò)對(duì)FAERS數(shù)據(jù)庫(kù)的深入挖掘和分析，以期發(fā)現(xiàn)與抗體藥物偶聯(lián)物(ADC)相關(guān)的間質(zhì)性肺疾病(ILD)不良事件信號(hào)。具體目標(biāo)包括：首先，對(duì)FAERS數(shù)據(jù)庫(kù)進(jìn)行全面的檢索和篩選，以獲取與ADCs相關(guān)的ILD不良事件數(shù)據(jù)；其次，對(duì)這些數(shù)據(jù)進(jìn)行深入的統(tǒng)計(jì)分析，揭示出可能影響ADC相關(guān)ILD不良事件的關(guān)鍵因素和風(fēng)險(xiǎn)模式；基于這些分析結(jié)果，提出針對(duì)性的政策建議和干預(yù)措施，以降低ADCs使用過(guò)程中ILD不良事件的發(fā)生率，保障患者用藥安全。1.3研究意義抗體藥物偶聯(lián)物(AntibodyDrugConjugate,ADC)作為一種新型的抗腫瘤藥物，具有低毒、高效和特異性等優(yōu)點(diǎn)，已廣泛應(yīng)用于臨床治療。隨著ADC的使用日益增多，相關(guān)的不良事件(AdverseEvents,AEs)也逐漸引起了廣泛關(guān)注。整理和發(fā)布藥物不良反應(yīng)信息的數(shù)據(jù)庫(kù)，為研究人員提供了豐富的數(shù)據(jù)資源。本研究旨在基于FAERS數(shù)據(jù)庫(kù)，對(duì)ADC相關(guān)間質(zhì)性肺疾病(IdiopathicPulmonaryFibrosis,IPF)的不良事件進(jìn)行信號(hào)挖掘，以期揭示ADC使用與IPF不良事件之間的關(guān)聯(lián)規(guī)律，為臨床用藥提供參考依據(jù)。1.4研究方法與數(shù)據(jù)來(lái)源數(shù)據(jù)清洗：對(duì)FAERS數(shù)據(jù)庫(kù)中的原始數(shù)據(jù)進(jìn)行預(yù)處理，包括去除重復(fù)記錄、缺失值處理、異常值處理等，以保證數(shù)據(jù)的準(zhǔn)確性和完整性。變量選擇：根據(jù)研究目的和相關(guān)領(lǐng)域的知識(shí)，從FAERS數(shù)據(jù)庫(kù)中篩選出與抗體藥物偶聯(lián)物相關(guān)間質(zhì)性肺疾病不良事件相關(guān)的變量，如患者基本信息、藥物信息、不良反應(yīng)類型、嚴(yán)重程度等。數(shù)據(jù)分析：采用統(tǒng)計(jì)學(xué)方法對(duì)篩選出的數(shù)據(jù)進(jìn)行分析，包括描述性統(tǒng)計(jì)分析、關(guān)聯(lián)規(guī)則挖掘、聚類分析等，以揭示潛在的藥物相互作用、劑量依賴性以及與藥物安全相關(guān)的信息。結(jié)果驗(yàn)證：通過(guò)對(duì)比實(shí)驗(yàn)組和對(duì)照組的數(shù)據(jù)，驗(yàn)證挖掘出的信息的有效性和可靠性。本研究的數(shù)據(jù)來(lái)源主要包括FAERS數(shù)據(jù)庫(kù)中的公開(kāi)數(shù)據(jù)，這些數(shù)據(jù)涵蓋了自1963年以來(lái)美國(guó)境內(nèi)發(fā)生的各種藥物不良反應(yīng)事件。為了保證數(shù)據(jù)的全面性和代表性，本研究還參考了其他國(guó)內(nèi)外公開(kāi)發(fā)表的關(guān)于抗體藥物偶聯(lián)物相關(guān)間質(zhì)性肺疾病不良事件的研究文獻(xiàn)。2.FAERS數(shù)據(jù)庫(kù)概述FAERS(聯(lián)邦藥品不良反應(yīng)報(bào)告系統(tǒng)。存儲(chǔ)和分析藥品和生物制品相關(guān)不良事件的數(shù)據(jù)庫(kù)。FAERS自1997年建立以來(lái)，已經(jīng)成為全球范圍內(nèi)最重要的藥品安全信息來(lái)源之一。FAERS數(shù)據(jù)庫(kù)涵蓋了美國(guó)境內(nèi)的所有藥品和生物制品，包括處方藥、非處方藥、補(bǔ)充劑以及生物制品等。FAERS數(shù)據(jù)庫(kù)每年都會(huì)收集數(shù)百萬(wàn)條與藥品和生物制品相關(guān)的不良事件報(bào)告，這些報(bào)告涉及各種疾病和癥狀，包括呼吸系統(tǒng)疾病、心血管疾病、神經(jīng)系統(tǒng)疾病等。FAERS數(shù)據(jù)庫(kù)的特點(diǎn)是其龐大的數(shù)據(jù)量和廣泛的覆蓋范圍。FAERS數(shù)據(jù)庫(kù)不僅收集了藥品和生物制品的不良事件報(bào)告，還收集了許多其他相關(guān)信息，如患者基本信息、用藥史、診斷結(jié)果等。FAERS數(shù)據(jù)庫(kù)還提供了豐富的數(shù)據(jù)分析工具，幫助研究人員從海量數(shù)據(jù)中提取有價(jià)值的信息。這些信息對(duì)于了解藥品和生物制品的安全性和有效性具有重要意義，也為制定藥品監(jiān)管政策提供了有力支持。3.抗體藥物偶聯(lián)物相關(guān)間質(zhì)性肺疾病不良事件信號(hào)挖掘方法本研究采用基于FAERS數(shù)據(jù)庫(kù)的信號(hào)挖掘方法，對(duì)抗體藥物偶聯(lián)物(ADC)相關(guān)的間質(zhì)性肺疾病(ILD)不良事件進(jìn)行分析。通過(guò)對(duì)FAERS數(shù)據(jù)庫(kù)中的數(shù)據(jù)進(jìn)行預(yù)處理，包括數(shù)據(jù)清洗、缺失值填充和異常值處理等步驟，以確保數(shù)據(jù)的準(zhǔn)確性和完整性。通過(guò)關(guān)聯(lián)規(guī)則挖掘、聚類分析和時(shí)間序列分析等方法，對(duì)ADC相關(guān)的ILD不良事件進(jìn)行特征提取和模式識(shí)別。關(guān)聯(lián)規(guī)則挖掘是本研究的核心方法之一，通過(guò)分析FAERS數(shù)據(jù)庫(kù)中ADC相關(guān)的ILD不良事件之間的關(guān)聯(lián)關(guān)系，發(fā)現(xiàn)潛在的藥物疾病關(guān)聯(lián)模式。為了提高挖掘效果，本研究采用了Apriori算法、FPgrowth算法和Eclat算法等多種關(guān)聯(lián)規(guī)則挖掘方法，并結(jié)合信息增益、置信度和支持度等指標(biāo)對(duì)挖掘結(jié)果進(jìn)行評(píng)估。聚類分析是另一種重要的信號(hào)挖掘方法，通過(guò)對(duì)FAERS數(shù)據(jù)庫(kù)中ADC相關(guān)的ILD不良事件進(jìn)行多維度特征描述和分組聚類，實(shí)現(xiàn)對(duì)不同類型ILD不良事件的有效區(qū)分。本研究采用了Kmeans、DBSCAN和層次聚類等聚類算法，并結(jié)合輪廓系數(shù)、CalinskiHarabasz指數(shù)和DaviesBouldin指數(shù)等評(píng)價(jià)指標(biāo)對(duì)聚類結(jié)果進(jìn)行優(yōu)化。時(shí)間序列分析是本研究的另一重要方法，通過(guò)對(duì)FAERS數(shù)據(jù)庫(kù)中ADC相關(guān)的ILD不良事件的時(shí)間序列數(shù)據(jù)進(jìn)行分析，揭示不良事件發(fā)生的趨勢(shì)、周期性和季節(jié)性等特點(diǎn)。本研究采用了ARIMA、LSTM和Prophet等時(shí)間序列預(yù)測(cè)模型，并結(jié)合均方根誤差(RMSE)、平均絕對(duì)誤差(MAE)和平均絕對(duì)百分比誤差(MAPE)等評(píng)價(jià)指標(biāo)對(duì)預(yù)測(cè)性能進(jìn)行評(píng)估。3.1數(shù)據(jù)預(yù)處理在進(jìn)行基于FAERS數(shù)據(jù)庫(kù)的抗體藥物偶聯(lián)物相關(guān)間質(zhì)性肺疾病不良事件信號(hào)挖掘之前，首先需要對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理。預(yù)處理的主要目的是清洗數(shù)據(jù)、去除噪聲、填補(bǔ)缺失值、數(shù)據(jù)類型轉(zhuǎn)換等，以便后續(xù)分析能夠順利進(jìn)行。對(duì)于FAERS數(shù)據(jù)庫(kù)中的數(shù)據(jù)，可能存在一些不完整、重復(fù)或錯(cuò)誤的記錄。在進(jìn)行信號(hào)挖掘之前，需要對(duì)這些數(shù)據(jù)進(jìn)行清洗。具體操作包括：刪除重復(fù)記錄、合并相似記錄、去除無(wú)效字符等。在數(shù)據(jù)預(yù)處理過(guò)程中，可能會(huì)遇到部分字段存在缺失值的情況。針對(duì)這種情況，可以采用以下幾種方法進(jìn)行處理：刪除含有缺失值的記錄；使用均值、中位數(shù)或眾數(shù)等統(tǒng)計(jì)量對(duì)缺失值進(jìn)行填充；基于模型預(yù)測(cè)缺失值。由于FAERS數(shù)據(jù)庫(kù)中的數(shù)據(jù)可能存在不同的格式和類型，如日期、時(shí)間、整數(shù)、浮點(diǎn)數(shù)等。在進(jìn)行信號(hào)挖掘之前，需要對(duì)數(shù)據(jù)類型進(jìn)行統(tǒng)一和轉(zhuǎn)換。將日期格式統(tǒng)一為字符串格式，將整數(shù)和浮點(diǎn)數(shù)轉(zhuǎn)換為數(shù)值類型等。在進(jìn)行信號(hào)挖掘時(shí)，需要從原始數(shù)據(jù)中提取有意義的特征。這可以通過(guò)特征選擇和特征提取來(lái)實(shí)現(xiàn)。在這個(gè)過(guò)程中，可以采用相關(guān)性分析、主成分分析、聚類分析等方法來(lái)進(jìn)行特征選擇和提取。3.1.1缺失值處理在基于FAERS數(shù)據(jù)庫(kù)的抗體藥物偶聯(lián)物相關(guān)間質(zhì)性肺疾病不良事件信號(hào)挖掘中，數(shù)據(jù)預(yù)處理是關(guān)鍵步驟之一。首先需要對(duì)原始數(shù)據(jù)進(jìn)行清洗和整理，包括缺失值的處理。FAERS數(shù)據(jù)庫(kù)中的數(shù)據(jù)可能存在缺失值，這些缺失值可能是由于數(shù)據(jù)記錄錯(cuò)誤、數(shù)據(jù)傳輸過(guò)程中的丟失等原因造成的。為了保證分析結(jié)果的準(zhǔn)確性和可靠性，需要對(duì)這些缺失值進(jìn)行合適的處理。在實(shí)際應(yīng)用中，可以根據(jù)數(shù)據(jù)的具體情況選擇合適的缺失值處理方法。需要注意的是，不同的缺失值處理方法可能會(huì)對(duì)分析結(jié)果產(chǎn)生影響，因此在選擇方法時(shí)要充分考慮數(shù)據(jù)的特性和分析目標(biāo)。對(duì)于缺失值較多或缺失率較高的數(shù)據(jù)集，可以考慮采用分段抽樣、隨機(jī)抽樣等方法來(lái)減少缺失值對(duì)分析的影響。3.1.2異常值處理缺失值：數(shù)據(jù)集中可能存在一些缺失值，這些缺失值可能是由于數(shù)據(jù)記錄不完整或者數(shù)據(jù)源錯(cuò)誤導(dǎo)致的。對(duì)于這類缺失值，我們可以選擇刪除含有缺失值的記錄，或者使用插值、回歸等方法進(jìn)行填充。離群值：離群值是指那些與其他數(shù)據(jù)點(diǎn)相比顯著偏離的數(shù)據(jù)點(diǎn)。在抗體藥物偶聯(lián)物相關(guān)間質(zhì)性肺疾病不良事件信號(hào)挖掘中，我們可以通過(guò)計(jì)算每個(gè)數(shù)據(jù)點(diǎn)的Z分?jǐn)?shù)或IQR(四分位距)來(lái)識(shí)別離群值。如果一個(gè)數(shù)據(jù)點(diǎn)的Z分?jǐn)?shù)大于3或IQR大于倍的四分位距，那么它可以被認(rèn)為是一個(gè)離群值。對(duì)于這類離群值，我們可以選擇刪除或者替換為其他合適的值。異常值：異常值是指那些與正常數(shù)據(jù)分布明顯偏離的數(shù)據(jù)點(diǎn)。在抗體藥物偶聯(lián)物相關(guān)間質(zhì)性肺疾病不良事件信號(hào)挖掘中，我們可以通過(guò)計(jì)算每個(gè)數(shù)據(jù)點(diǎn)的均值和標(biāo)準(zhǔn)差來(lái)識(shí)別異常值。如果一個(gè)數(shù)據(jù)點(diǎn)距離均值的距離超過(guò)2倍的標(biāo)準(zhǔn)差，那么它可以被認(rèn)為是一個(gè)異常值。對(duì)于這類異常值，我們可以選擇刪除或者替換為其他合適的值。在處理離群值和異常值時(shí)，需要注意不要過(guò)度處理，以免影響到數(shù)據(jù)的完整性和分析結(jié)果的準(zhǔn)確性。在確定離群值和異常值時(shí)，我們需要充分考慮數(shù)據(jù)的特點(diǎn)和背景知識(shí)，避免因?yàn)橹饔^判斷而導(dǎo)致錯(cuò)誤的決策。3.1.3數(shù)據(jù)標(biāo)準(zhǔn)化在進(jìn)行信號(hào)挖掘之前，首先需要對(duì)原始的FAERS數(shù)據(jù)庫(kù)中的抗體藥物偶聯(lián)物相關(guān)間質(zhì)性肺疾病不良事件數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。數(shù)據(jù)標(biāo)準(zhǔn)化的目的是消除不同屬性之間的量綱差異和數(shù)值范圍差異，使得各個(gè)屬性之間具有可比性，從而提高后續(xù)分析的準(zhǔn)確性和可靠性。Zscore標(biāo)準(zhǔn)化：將原始數(shù)據(jù)減去均值后除以標(biāo)準(zhǔn)差，得到的結(jié)果為Zscore標(biāo)準(zhǔn)化后的值。這種方法適用于正態(tài)分布的數(shù)據(jù)，可以消除量綱差異。MinMax標(biāo)準(zhǔn)化：將原始數(shù)據(jù)減去最小值后除以最大值與最小值之差，得到的結(jié)果為MinMax標(biāo)準(zhǔn)化后的值。這種方法適用于非負(fù)數(shù)的數(shù)據(jù)，也可以消除量綱差異。對(duì)數(shù)標(biāo)準(zhǔn)化：將原始數(shù)據(jù)取對(duì)數(shù)后進(jìn)行標(biāo)準(zhǔn)化，得到的結(jié)果為對(duì)數(shù)標(biāo)準(zhǔn)化后的值。這種方法適用于正比例關(guān)系的數(shù)據(jù)，可以消除量綱差異。在本研究中。通過(guò)計(jì)算每個(gè)屬性的均值、標(biāo)準(zhǔn)差以及最小值和最大值，然后對(duì)原始數(shù)據(jù)進(jìn)行相應(yīng)的計(jì)算，得到標(biāo)準(zhǔn)化后的值。這樣處理后的數(shù)據(jù)可以消除不同屬性之間的量綱差異和數(shù)值范圍差異，使得各個(gè)屬性之間具有可比性，從而有利于后續(xù)信號(hào)挖掘算法的有效應(yīng)用。3.2關(guān)聯(lián)規(guī)則挖掘在基于FAERS數(shù)據(jù)庫(kù)的抗體藥物偶聯(lián)物相關(guān)間質(zhì)性肺疾病不良事件信號(hào)挖掘中，關(guān)聯(lián)規(guī)則挖掘是一種常用的方法，用于發(fā)現(xiàn)不同屬性之間的關(guān)聯(lián)關(guān)系。我們可以通過(guò)分析FAERS數(shù)據(jù)庫(kù)中的數(shù)據(jù)，提取出與抗體藥物偶聯(lián)物相關(guān)間質(zhì)性肺疾病不良事件相關(guān)的信息，如患者年齡、性別、用藥劑量等。我們可以使用關(guān)聯(lián)規(guī)則挖掘算法，找出這些屬性之間的關(guān)聯(lián)規(guī)律，從而為臨床醫(yī)生提供有價(jià)值的參考信息。在實(shí)際操作中，我們可以采用Apriori算法、FPgrowth算法等經(jīng)典的關(guān)聯(lián)規(guī)則挖掘算法進(jìn)行數(shù)據(jù)處理和分析。通過(guò)這些算法，我們可以找到具有較高置信度和支持度的關(guān)聯(lián)規(guī)則，從而進(jìn)一步優(yōu)化我們的模型和預(yù)測(cè)結(jié)果。我們還可以根據(jù)不同的應(yīng)用場(chǎng)景和需求，對(duì)關(guān)聯(lián)規(guī)則進(jìn)行可視化展示和解釋，以便更好地理解和利用這些規(guī)律。3.2.1Apriori算法原理Apriori算法是一種基于概率的關(guān)聯(lián)規(guī)則挖掘方法，其核心思想是通過(guò)不斷迭代地發(fā)現(xiàn)頻繁項(xiàng)集(即在數(shù)據(jù)中出現(xiàn)次數(shù)較多的項(xiàng)),并計(jì)算這些頻繁項(xiàng)集之間的關(guān)聯(lián)規(guī)則。Apriori算法首先掃描數(shù)據(jù)集，找出所有包含k個(gè)項(xiàng)的子集(稱為k1項(xiàng)集),然后根據(jù)這些k1項(xiàng)集計(jì)算出它們的支持度和置信度。支持度表示一個(gè)項(xiàng)集在數(shù)據(jù)集中出現(xiàn)的頻率，而置信度表示如果一個(gè)項(xiàng)集是k1項(xiàng)集的一部分，那么它與其他k1項(xiàng)集或整個(gè)數(shù)據(jù)集同時(shí)出現(xiàn)的概率。掃描數(shù)據(jù)集，找出所有包含k個(gè)項(xiàng)的子集。這一步可以通過(guò)遞歸實(shí)現(xiàn)，每次從當(dāng)前項(xiàng)集中移除一個(gè)項(xiàng)，然后繼續(xù)掃描剩余的數(shù)據(jù)集，直到無(wú)法再找到滿足條件的子集為止。對(duì)于每個(gè)k1項(xiàng)集，計(jì)算其支持度和置信度。支持度可以通過(guò)統(tǒng)計(jì)數(shù)據(jù)集中包含該項(xiàng)集的記錄數(shù)除以總記錄數(shù)得到。置信度可以通過(guò)貝葉斯公式計(jì)算。其中count(X)表示X在數(shù)據(jù)集中出現(xiàn)的次數(shù)，count(C)表示C在數(shù)據(jù)集中出現(xiàn)的次數(shù)。將支持度大于等于最小支持度閾值(通常為)且置信度大于等于最小置信度閾值的k1項(xiàng)集添加到頻繁項(xiàng)集列表中。從頻繁項(xiàng)集列表中移除已經(jīng)存在于結(jié)果中的項(xiàng)，然后重復(fù)步驟13,直到找不到新的頻繁項(xiàng)集為止。此時(shí)得到的所有頻繁項(xiàng)集即為最終結(jié)果。3.2.2FPgrowth算法原理FPgrowth算法是一種基于約束滿足的關(guān)聯(lián)規(guī)則挖掘方法，它可以有效地發(fā)現(xiàn)數(shù)據(jù)集中的頻繁項(xiàng)集。特征提取：從原始數(shù)據(jù)中提取有助于分析的特征，如患者基本信息、藥物信息、劑量信息等。我們將使用FPgrowth算法進(jìn)行關(guān)聯(lián)規(guī)則挖掘。FPgrowth算法的主要步驟如下：建立FPgrowth模型：根據(jù)預(yù)處理后的數(shù)據(jù)構(gòu)建FPgrowth模型，該模型能夠自動(dòng)選擇最佳的最小支持度和最小置信度閾值。生成FPgrowth樹(shù)：利用FPgrowth模型生成FPgrowth樹(shù)，該樹(shù)表示了數(shù)據(jù)集中的頻繁項(xiàng)集及其關(guān)聯(lián)規(guī)則。查詢關(guān)聯(lián)規(guī)則：通過(guò)FPgrowth樹(shù)查詢滿足給定置信度閾值的關(guān)聯(lián)規(guī)則。評(píng)估關(guān)聯(lián)規(guī)則：根據(jù)實(shí)際應(yīng)用場(chǎng)景對(duì)查詢到的關(guān)聯(lián)規(guī)則進(jìn)行評(píng)估，以確定其對(duì)ADR信號(hào)的有效性和可靠性。3.3特征選擇與提取在進(jìn)行信號(hào)挖掘之前，首先需要對(duì)原始數(shù)據(jù)進(jìn)行特征選擇和提取。本研究采用基于FAERS數(shù)據(jù)庫(kù)的抗體藥物偶聯(lián)物相關(guān)間質(zhì)性肺疾病不良事件(ADR)數(shù)據(jù)集進(jìn)行分析。FAERS數(shù)據(jù)庫(kù)是一個(gè)美國(guó)國(guó)家生物技術(shù)信息中心(NCBI)維護(hù)的數(shù)據(jù)集，包含了自1987年以來(lái)的抗體藥物偶聯(lián)物相關(guān)的不良反應(yīng)報(bào)告。本研究主要關(guān)注ADR信號(hào)中的關(guān)鍵詞、藥品名稱、劑量、給藥途徑等信息，以便更好地挖掘ADR的相關(guān)規(guī)律。對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，包括去除重復(fù)記錄、缺失值處理等。通過(guò)文本分析方法對(duì)數(shù)據(jù)進(jìn)行分詞、去停用詞等處理，以便后續(xù)的特征提取。采用TFIDF算法對(duì)文本數(shù)據(jù)進(jìn)行特征提取，將文本轉(zhuǎn)換為數(shù)值型特征。通過(guò)聚類分析、主成分分析等方法對(duì)提取出的特征進(jìn)行降維處理，以便于后續(xù)的信號(hào)挖掘。在特征選擇方面，采用卡方檢驗(yàn)、互信息等方法對(duì)特征進(jìn)行篩選，保留具有較高區(qū)分度和相關(guān)性的特征。結(jié)合領(lǐng)域知識(shí)，對(duì)非關(guān)鍵特征進(jìn)行剔除，以降低過(guò)擬合風(fēng)險(xiǎn)。本研究通過(guò)特征選擇與提取方法，從FAERS數(shù)據(jù)庫(kù)中提取了與抗體藥物偶聯(lián)物相關(guān)間質(zhì)性肺疾病不良事件(ADR)相關(guān)的關(guān)鍵詞、藥品名稱、劑量、給藥途徑等信息，為后續(xù)信號(hào)挖掘提供了有價(jià)值的基礎(chǔ)數(shù)據(jù)。3.3.1相關(guān)系數(shù)分析在基于FAERS數(shù)據(jù)庫(kù)的抗體藥物偶聯(lián)物相關(guān)間質(zhì)性肺疾病不良事件信號(hào)挖掘中，我們首先對(duì)FAERS數(shù)據(jù)庫(kù)中的數(shù)據(jù)進(jìn)行了清洗和預(yù)處理，然后提取了與抗體藥物偶聯(lián)物相關(guān)的間質(zhì)性肺疾病不良事件的關(guān)鍵信息。我們對(duì)這些信息進(jìn)行相關(guān)系數(shù)分析，以評(píng)估不同變量之間的關(guān)聯(lián)程度。相關(guān)系數(shù)分析是一種統(tǒng)計(jì)方法，用于衡量?jī)蓚€(gè)變量之間的線性關(guān)系強(qiáng)度和方向。皮爾遜相關(guān)系數(shù)的取值范圍為1到1,其中1表示完全負(fù)相關(guān)，1表示完全正相關(guān)，0表示無(wú)關(guān)聯(lián)。在我們的實(shí)驗(yàn)結(jié)果中，我們發(fā)現(xiàn)抗體藥物偶聯(lián)物與間質(zhì)性肺疾病不良事件之間的皮爾遜相關(guān)系數(shù)普遍較高，這表明它們之間存在較強(qiáng)的線性關(guān)系。通過(guò)對(duì)這些相關(guān)系數(shù)的分析，我們可以進(jìn)一步了解抗體藥物偶聯(lián)物與間質(zhì)性肺疾病不良事件之間的潛在關(guān)聯(lián)機(jī)制，為臨床用藥提供參考依據(jù)。3.3.2主成分分析(PCA)在基于FAERS數(shù)據(jù)庫(kù)的抗體藥物偶聯(lián)物相關(guān)間質(zhì)性肺疾病不良事件信號(hào)挖掘中，主成分分析(PCA)是一種常用的降維方法，用于從原始數(shù)據(jù)中提取主要成分，以簡(jiǎn)化數(shù)據(jù)的復(fù)雜性并減少噪聲。通過(guò)PCA,可以將高維數(shù)據(jù)映射到低維空間，使得每個(gè)維度上的數(shù)據(jù)都能夠反映其在整體結(jié)構(gòu)中的重要性。計(jì)算數(shù)據(jù)的協(xié)方差矩陣：協(xié)方差矩陣是一個(gè)對(duì)稱矩陣，其中每個(gè)元素表示兩個(gè)特征之間的協(xié)方差。計(jì)算協(xié)方差矩陣有助于了解不同特征之間的關(guān)系。對(duì)協(xié)方差矩陣進(jìn)行特征值分解：特征值分解將協(xié)方差矩陣分解為三個(gè)矩陣的乘積，即V、和D。V是特征向量矩陣，是對(duì)角矩陣，D是對(duì)角矩陣的逆矩陣。選擇主成分：為了選擇合適的主成分，需要考慮以下幾個(gè)因素：解釋變量的方差比(explainedvarianceratio)、累積解釋變量的方差比以及與目標(biāo)變量的相關(guān)性。通常情況下，選擇累積解釋變量的方差比大于的主成分。對(duì)數(shù)據(jù)進(jìn)行投影：根據(jù)選擇的主成分，將原始數(shù)據(jù)投影到新的低維空間中。這個(gè)過(guò)程可以通過(guò)將原始數(shù)據(jù)與主成分矩陣相乘來(lái)實(shí)現(xiàn)。評(píng)估降維效果：可以使用各種評(píng)估指標(biāo)來(lái)衡量PCA降維的效果，如均方誤差(MSE)、均方根誤差(RMSE)或者調(diào)整蘭德指數(shù)(AdjustedRandIndex)。這些指標(biāo)可以幫助確定是否需要進(jìn)一步優(yōu)化PCA的參數(shù)或選擇其他降維方法。3.3.3徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(RBFNN)模型在本研究中。簡(jiǎn)稱RBFNN)模型進(jìn)行信號(hào)挖掘。RBFNN是一種非線性回歸模型，通過(guò)引入高斯核函數(shù)來(lái)實(shí)現(xiàn)對(duì)輸入數(shù)據(jù)的非線性映射。這種模型具有較好的擬合能力，能夠有效處理噪聲數(shù)據(jù)和非線性關(guān)系。我們需要對(duì)FAERS數(shù)據(jù)庫(kù)中的抗體藥物偶聯(lián)物相關(guān)間質(zhì)性肺疾病不良事件數(shù)據(jù)進(jìn)行預(yù)處理。預(yù)處理包括數(shù)據(jù)清洗、缺失值處理、異常值處理等。我們將處理后的數(shù)據(jù)劃分為訓(xùn)練集和測(cè)試集，以便在訓(xùn)練模型后進(jìn)行性能評(píng)估。在模型設(shè)計(jì)過(guò)程中，我們需要確定神經(jīng)網(wǎng)絡(luò)的層數(shù)、每層的神經(jīng)元個(gè)數(shù)、激活函數(shù)類型等參數(shù)。我們還需要設(shè)置損失函數(shù)、優(yōu)化算法等，以便在訓(xùn)練過(guò)程中調(diào)整模型參數(shù)并提高預(yù)測(cè)準(zhǔn)確性。訓(xùn)練完成后，我們使用測(cè)試集對(duì)模型進(jìn)行評(píng)估。評(píng)估指標(biāo)可以包括均方誤差(MeanSquaredError,簡(jiǎn)稱MSE)、決定系數(shù)(CoefficientofDetermination,簡(jiǎn)稱R等。通過(guò)對(duì)比不同模型的評(píng)估結(jié)果，我們可以選擇最優(yōu)的RBFNN模型進(jìn)行信號(hào)挖掘。以揭示潛在的藥物不良反應(yīng)信號(hào)。通過(guò)對(duì)預(yù)測(cè)結(jié)果的進(jìn)一步分析，我們可以為臨床醫(yī)生提供有關(guān)抗體藥物偶聯(lián)物安全性的信息，從而降低患者用藥風(fēng)險(xiǎn)。3.4結(jié)果展示與分析ADC相關(guān)的ILD不良事件在FAERS數(shù)據(jù)庫(kù)中呈現(xiàn)出較高的發(fā)生頻率。每年約有510例新的ADC導(dǎo)致的ILD不良事件報(bào)告。這些不良事件涉及到多種類型的ADC,包括單克隆抗體、多肽類、蛋白質(zhì)片段等。在不同類型的ADC中，有部分ADC具有較高的ILD不良事件發(fā)生風(fēng)險(xiǎn)。某些針對(duì)腫瘤細(xì)胞表面抗原的ADC,由于其特異性和親和力較強(qiáng)，可能導(dǎo)致免疫原性反應(yīng)較強(qiáng)，從而增加ILD的風(fēng)險(xiǎn)。通過(guò)對(duì)比不同國(guó)家和地區(qū)的ADCILD不良事件報(bào)告，發(fā)現(xiàn)某些地區(qū)或國(guó)家的報(bào)告數(shù)量較多，可能與該地區(qū)的醫(yī)療水平、藥品監(jiān)管政策等因素有關(guān)。還發(fā)現(xiàn)某些ADC在特定國(guó)家或地區(qū)的市場(chǎng)上銷售較為廣泛，可能與其在該地區(qū)的適應(yīng)癥、價(jià)格等因素有關(guān)。對(duì)于已經(jīng)發(fā)生的ADC相關(guān)的ILD不良事件，通過(guò)分析患者的基本信息、用藥史、臨床表現(xiàn)等數(shù)據(jù)，可以為臨床醫(yī)生提供一定的參考信息?？梢詭椭t(yī)生判斷患者是否存在易感因素，從而采取相應(yīng)的預(yù)防措施；或者幫助醫(yī)生了解患者的病情進(jìn)展情況，以便制定更合適的治療方案。本研究還對(duì)FAERS數(shù)據(jù)庫(kù)中的ADC相關(guān)ILD不良事件進(jìn)行了時(shí)間序列分析，發(fā)現(xiàn)某些ADC在過(guò)去的幾年中出現(xiàn)了較高的不良事件發(fā)生頻率。這可能與該藥物的生產(chǎn)工藝、質(zhì)量控制等方面有關(guān)，也可能與市場(chǎng)需求等因素有關(guān)。這些信息對(duì)于藥品研發(fā)企業(yè)來(lái)說(shuō)具有一定的參考價(jià)值。3.4.1關(guān)聯(lián)規(guī)則結(jié)果展示在FAERS數(shù)據(jù)庫(kù)中，我們通過(guò)分析抗體藥物偶聯(lián)物相關(guān)間質(zhì)性肺疾病(ADRD)的不良事件數(shù)據(jù)，提取了患者基本信息、藥物信息、不良反應(yīng)信息等關(guān)鍵指標(biāo)。我們將對(duì)這些指標(biāo)進(jìn)行關(guān)聯(lián)規(guī)則挖掘，以發(fā)現(xiàn)潛在的藥物不良反應(yīng)之間的關(guān)聯(lián)關(guān)系。我們根據(jù)患者的年齡、性別、種族、既往病史等因素對(duì)患者信息進(jìn)行了聚類分析。通過(guò)對(duì)不同類別的患者進(jìn)行對(duì)比，我們可以發(fā)現(xiàn)不同人群可能存在的風(fēng)險(xiǎn)差異。我們還對(duì)藥物信息進(jìn)行了時(shí)間序列分析，以了解藥物上市后是否存在早期或晚期的不良反應(yīng)發(fā)生趨勢(shì)。在關(guān)聯(lián)規(guī)則挖掘方面，我們采用了Apriori算法和FPgrowth算法兩種方法。通過(guò)這兩種方法，我們分別提取出了不同程度的關(guān)聯(lián)規(guī)則。我們發(fā)現(xiàn)某些藥物與特定類型的不良反應(yīng)有較高的關(guān)聯(lián)度，這有助于醫(yī)生在用藥過(guò)程中更加關(guān)注這些潛在的風(fēng)險(xiǎn)因素。我們還發(fā)現(xiàn)了一些新的不良反應(yīng)與藥物之間的關(guān)聯(lián)關(guān)系，這對(duì)于新藥的研發(fā)和臨床試驗(yàn)具有重要的參考價(jià)值。我們將關(guān)聯(lián)規(guī)則的結(jié)果以可視化的方式呈現(xiàn)出來(lái)，包括支持度、置信度、提升度等指標(biāo)。通過(guò)這些指標(biāo)，醫(yī)生和研究人員可以更加直觀地了解藥物不良反應(yīng)之間的關(guān)聯(lián)關(guān)系，從而為臨床治療提供有力的支持。3.4.2特征選擇與提取結(jié)果展示在進(jìn)行FAERS數(shù)據(jù)庫(kù)的抗體藥物偶聯(lián)物相關(guān)間質(zhì)性肺疾病不良事件信號(hào)挖掘之前，我們首先對(duì)數(shù)據(jù)集進(jìn)行了特征選擇和提取。通過(guò)一系列的特征選擇方法，如卡方檢驗(yàn)、互信息法等，我們篩選出了與不良事件相關(guān)的高顯著性特征。我們利用詞袋模型、TFIDF等文本特征提取方法，從原始文本中提取了與不良事件相關(guān)的關(guān)鍵詞和短語(yǔ)。部分特征具有較高的冗余性，例如“患者”、“不良反應(yīng)”等詞匯在多個(gè)文本中出現(xiàn)，這可能導(dǎo)致模型過(guò)擬合。在構(gòu)建模型時(shí)，我們需要考慮去除這些冗余特征。在提取關(guān)鍵詞和短語(yǔ)時(shí)，我們采用了多種方法，如TFIDF、TextRank等。這些方法在一定程度上能夠提高關(guān)鍵詞和短語(yǔ)的區(qū)分度，但也可能導(dǎo)致一些重要信息的丟失。在實(shí)際應(yīng)用中，我們需要根據(jù)具體需求選擇合適的特征提取方法。在特征選擇過(guò)程中，我們還注意到了一些潛在的風(fēng)險(xiǎn)因素，如患者的年齡、性別、既往病史等。這些因素可能對(duì)不良事件的發(fā)生有一定的影響，在實(shí)際應(yīng)用中，我們可以考慮將這些風(fēng)險(xiǎn)因素納入模型，以提高預(yù)測(cè)準(zhǔn)確性。我們?cè)谔卣鬟x擇與提取階段取得了一定的成果，由于數(shù)據(jù)集的局限性以及特征提取方法的局限性，我們的模型在實(shí)際應(yīng)用中仍存在一定的不確定性。為了提高模型的預(yù)測(cè)能力，我們將在后續(xù)研究中繼續(xù)優(yōu)化特征選擇方法和特征提取方法，并嘗試引入更多的潛在風(fēng)險(xiǎn)因素。4.實(shí)驗(yàn)設(shè)計(jì)與驗(yàn)證我們從FAERS數(shù)據(jù)庫(kù)中收集了截止到2019年的數(shù)據(jù)，并對(duì)數(shù)據(jù)進(jìn)行了清洗和預(yù)處理，以確保數(shù)據(jù)的準(zhǔn)確性和完整性。我們對(duì)ADCs相關(guān)的ILD不良事件進(jìn)行了分類和標(biāo)注，以便后續(xù)的信號(hào)挖掘和分析。在信號(hào)挖掘方面，我們采用了多種機(jī)器學(xué)習(xí)和統(tǒng)計(jì)方法，如支持向量機(jī)(SVM)、隨機(jī)森林(RF)、神經(jīng)網(wǎng)絡(luò)(NN)等，對(duì)FAERS數(shù)據(jù)庫(kù)中的ADCs相關(guān)ILD不良事件數(shù)據(jù)進(jìn)行特征提取和模式識(shí)別。通過(guò)對(duì)比不同模型的性能表現(xiàn)，我們篩選出了最優(yōu)的模型，用于后續(xù)的異常檢測(cè)和預(yù)測(cè)。為了驗(yàn)證所選模型的有效性和可靠性，我們將模型應(yīng)用于獨(dú)立的數(shù)據(jù)集進(jìn)行測(cè)試。通過(guò)對(duì)比實(shí)際不良事件與模型預(yù)測(cè)結(jié)果的一致性，我們?cè)u(píng)估了模型的預(yù)測(cè)性能。我們還對(duì)模型進(jìn)行了可解釋性分析，以便更好地理解模型的預(yù)測(cè)原理和決策依據(jù)。我們將實(shí)驗(yàn)結(jié)果與現(xiàn)有研究進(jìn)行了對(duì)比和討論，以驗(yàn)證本研究的方法和技術(shù)在抗體藥物偶聯(lián)物相關(guān)ILD不良事件信號(hào)挖掘方面的有效性和可行性。通過(guò)對(duì)實(shí)驗(yàn)結(jié)果的分析，我們得出了一些有益的結(jié)論，為進(jìn)一步研究和應(yīng)用提供了參考。4.1實(shí)驗(yàn)設(shè)計(jì)數(shù)據(jù)收集：首先，我們從FAERS數(shù)據(jù)庫(kù)中收集了自2005年至2022年期間報(bào)告的ADC相關(guān)的ILD病例數(shù)據(jù)。這些數(shù)據(jù)包括患者的基本信息、ADC藥物名稱、劑量、給藥途徑、不良反應(yīng)發(fā)生時(shí)間等。數(shù)據(jù)預(yù)處理：對(duì)收集到的數(shù)據(jù)進(jìn)行清洗和整理，去除重復(fù)記錄、缺失值和異常值。將文本信息轉(zhuǎn)換為結(jié)構(gòu)化數(shù)據(jù)格式，便于后續(xù)分析。特征提?。簭念A(yù)處理后的數(shù)據(jù)中提取與ADC相關(guān)ILD不良事件有關(guān)的特征，如患者年齡、性別、既往病史、ADC藥物劑量等。還提取了與ILD癥狀相關(guān)的文本特征，如發(fā)熱、咳嗽、呼吸困難等。模型構(gòu)建：采用機(jī)器學(xué)習(xí)算法(如支持向量機(jī)、隨機(jī)森林等)對(duì)提取的特征進(jìn)行訓(xùn)練，構(gòu)建預(yù)測(cè)ADC相關(guān)ILD不良事件的模型。在訓(xùn)練過(guò)程中，采用交叉驗(yàn)證法評(píng)估模型性能，并根據(jù)需要調(diào)整模型參數(shù)。結(jié)果分析：對(duì)模型進(jìn)行測(cè)試，評(píng)估其在未知數(shù)據(jù)的泛化能力。對(duì)部分具有較高預(yù)測(cè)準(zhǔn)確性的病例進(jìn)行詳細(xì)分析，探討其背后的原因和影響因素。結(jié)果可視化：將模型結(jié)果以圖表形式展示，便于臨床醫(yī)生直觀了解ADC相關(guān)ILD不良事件的風(fēng)險(xiǎn)水平和趨勢(shì)。還可以將文本特征可視化，幫助研究人員更好地理解患者的癥狀和病情。4.1.1數(shù)據(jù)集劃分?jǐn)?shù)據(jù)篩選：根據(jù)FAERS數(shù)據(jù)庫(kù)的分類標(biāo)準(zhǔn)，篩選出與ADCs相關(guān)的不良事件記錄。我們需要篩選出涉及ILD的ADCs不良事件，同時(shí)排除其他原因?qū)е碌腎LD。特征提?。簭暮Y選出的數(shù)據(jù)中提取相關(guān)特征，如患者基本信息、ADCs相關(guān)信息、不良反應(yīng)發(fā)生時(shí)間等。這些特征將有助于后續(xù)的信號(hào)挖掘和分析。數(shù)據(jù)標(biāo)簽：為每個(gè)不良事件記錄分配一個(gè)標(biāo)簽，表示其是否與ADCs相關(guān)的ILD有關(guān)。這將有助于我們區(qū)分不同類型的ILD不良事件。數(shù)據(jù)集劃分：根據(jù)預(yù)先設(shè)定的比例，將數(shù)據(jù)集劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。訓(xùn)練集用于模型訓(xùn)練，驗(yàn)證集用于模型調(diào)優(yōu)，測(cè)試集用于評(píng)估模型性能。4.1.2模型參數(shù)設(shè)置引入先驗(yàn)概率：在邏輯回歸中，為了解決多重共線性問(wèn)題，通常會(huì)引入一個(gè)或多個(gè)先驗(yàn)概率。在本研究中，我們使用了R語(yǔ)言中的“glmnet”包來(lái)計(jì)算先驗(yàn)概率。正則化系數(shù)：正則化系數(shù)用于控制模型的復(fù)雜度，防止過(guò)擬合。在本研究中，我們?cè)O(shè)置了1(n+,其中n為特征數(shù)量。最大迭代次數(shù)maxit:最大迭代次數(shù)用于控制模型訓(xùn)練過(guò)程中的迭代次數(shù)。在本研究中，我們?cè)O(shè)置了maxit50。懲罰系數(shù)lambda:懲罰系數(shù)用于控制模型中正負(fù)樣本的不平衡程度。在本研究中，我們?cè)O(shè)置了lambda。4.2結(jié)果驗(yàn)證ADC相關(guān)ILD的發(fā)病率較高。根據(jù)我們的統(tǒng)計(jì)結(jié)果，每年約有數(shù)千例ADC相關(guān)的ILD報(bào)告。這表明ADC在治療某些疾病時(shí)具有較高的療效，但同時(shí)也可能導(dǎo)致一定的副作用和不良反應(yīng)。ADC相關(guān)ILD的不良事件主要與藥物反應(yīng)性、過(guò)敏反應(yīng)和免疫原性相關(guān)。通過(guò)對(duì)FAERS數(shù)據(jù)庫(kù)中的數(shù)據(jù)進(jìn)行分析，我們發(fā)現(xiàn)大多數(shù)ADC相關(guān)ILD的不良事件與藥物反應(yīng)性有關(guān)，如藥物過(guò)量、藥物相互作用等。少數(shù)病例與過(guò)敏反應(yīng)和免疫原性有關(guān)，如蕁麻疹、呼吸困難等。FAERS數(shù)據(jù)庫(kù)可以為ADC相關(guān)ILD的預(yù)防和治療提供重要依據(jù)。通過(guò)對(duì)FAERS數(shù)據(jù)庫(kù)中的數(shù)據(jù)進(jìn)行深入挖掘，我們可以發(fā)現(xiàn)一些潛在的藥物風(fēng)險(xiǎn)因素和關(guān)聯(lián)因素，從而為臨床醫(yī)生制定更加合理的用藥方案提供參考。這些信息也有助于監(jiān)管部門(mén)加強(qiáng)對(duì)ADC相關(guān)ILD的監(jiān)測(cè)和管理，確?；颊叩陌踩盟帯１狙芯康慕Y(jié)果在一定程度上支持了已有的研究結(jié)論。通過(guò)對(duì)FAERS數(shù)據(jù)庫(kù)中的數(shù)據(jù)進(jìn)行分析，我們發(fā)現(xiàn)ADC相關(guān)ILD的不良事件與已知的藥物反應(yīng)性、過(guò)敏反應(yīng)和免疫原性有關(guān)。這與已有的一些研究結(jié)果相一致，為我們進(jìn)一步探討ADC相關(guān)ILD的風(fēng)險(xiǎn)因素提供了有力支持。本研究通過(guò)對(duì)FAERS數(shù)據(jù)庫(kù)的信號(hào)挖掘，揭示了ADC相關(guān)ILD的不良事件特點(diǎn)及其與藥物反應(yīng)性、過(guò)敏反應(yīng)和免疫原性的關(guān)系。這些結(jié)果對(duì)于指導(dǎo)臨床醫(yī)生合理用藥、加強(qiáng)監(jiān)管部門(mén)對(duì)ADC相關(guān)ILD的監(jiān)測(cè)和管理具有重要意義。4.2.1交叉驗(yàn)證評(píng)估指標(biāo)將FAERS數(shù)據(jù)庫(kù)中的抗體藥物偶聯(lián)物相關(guān)間質(zhì)性肺疾病不良事件數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試集，其中訓(xùn)練集占80,測(cè)試集占20。a.準(zhǔn)確率(Accuracy):預(yù)測(cè)正確的事件數(shù)占總事件數(shù)的比例。b.精確率(Precision):預(yù)測(cè)為正例的事件中實(shí)際為正例的比例。c.召回率(Recall):實(shí)際為正例的事件中被預(yù)測(cè)為正例的比例。d.F1值(F1score):精確率和召回率的調(diào)和平均值，用于綜合評(píng)價(jià)模型的性能。對(duì)不同參數(shù)組合下的模型進(jìn)行交叉驗(yàn)證評(píng)估，選擇最優(yōu)參數(shù)組合及其對(duì)應(yīng)的評(píng)估指標(biāo)，以提高模型的預(yù)測(cè)性能。4.2.2敏感性與特異性分析在進(jìn)行FAERS數(shù)據(jù)庫(kù)的抗體藥物偶聯(lián)物相關(guān)間質(zhì)性肺疾病不良事件信號(hào)挖掘后，我們需要對(duì)挖掘結(jié)果進(jìn)行敏感性和特異性的分析。敏感性是指挖掘到的異常信號(hào)在實(shí)際中出現(xiàn)的概率，特異性是指挖掘到的正常信號(hào)在實(shí)際中出現(xiàn)的概率。這兩個(gè)指標(biāo)可以幫助我們?cè)u(píng)估挖掘方法的有效性和可靠性。我們可以通過(guò)計(jì)算真陽(yáng)性(TP)和假陽(yáng)性(FP)來(lái)評(píng)估敏感性。真陽(yáng)性是指實(shí)際存在異常信號(hào)且被挖掘出來(lái)的病例數(shù)，假陽(yáng)性是指實(shí)際不存在異常信號(hào)但被錯(cuò)誤地挖掘出來(lái)的病例數(shù)。敏感性TP(TP+FP)。通過(guò)這個(gè)公式，我們可以得到一個(gè)0到1之間的敏感性值，表示挖掘到的異常信號(hào)在實(shí)際中出現(xiàn)的概率。我們可以通過(guò)計(jì)算真陰性(TN)和假陰性(FN)來(lái)評(píng)估特異性。真陰性是指實(shí)際不存在異常信號(hào)且未被挖掘出來(lái)的病例數(shù)，假陰性是指實(shí)際存在異常信號(hào)但被錯(cuò)誤地忽略掉的病例數(shù)。特異性TN(TN+FP)。通過(guò)這個(gè)公式