Está en la página 1de 24

DATA MINING EN LA BASE DE DATOS DE LA OMS KNOWLEDGE DETECTION

(DETECCIN DEL CONOCIMIENTO)

Q.F.B. JUANA LETICIA RODRGUEZ Y BETANCOURT

REACCIONES ADVERSAS DE LOS MEDICAMENTOS


Los frmacos por naturaleza dan lugar a reacciones adversas La incidencia de las reacciones adversas especficas vara considerablemente de frmaco a frmaco

Siempre existirn grupos de alto riesgo a las reacciones adversas con frmacos especficos
La base de datos de la OMS es la ms grande a nivel internacional Una de las principales responsabilidades del UMC es la produccin de seales

PROCEDIMIENTO EMPLEADO EN LA GENERACIN DE SEALES


Con base en los nuevos reportes de problemas frmaco-Ram recibidos, se elabora cada cuatro meses un listado Este listado y los datos correspondientes se envan al panel de expertos para sus comentarios Con base en los comentarios de los expertos se elabora la lista final de seales, la cual se enva a los Centros Nacionales de Farmacovigilancia

LIMITACIONES DEL PROCEDIMIENTO DE GENERACIN DE SEALES


Los expertos analizan un nmero finito de datos Los datos pueden ser incorrectos o ms probablemente estar incompletos La evaluacin de los expertos se basa en su juicio y en el conocimiento previo, lo cual da lugar a un sesgo Cmo evitar el sesgo? Con un sistema de computo de gran potencia que permita considerar todos los posibles links en la base de datos, que actualmente contiene alrededor de cuatro millones de datos, cada uno de ellos con 49 campos

RED NEURAL BAYESIANA Emplea los principios del Teorema de Bayes para calcular: Las probabilidades anterior y posterior

Componentes de la Informacin (IC)


Intervalos de Confianza para cada IC

DATA MINING SYSTEM BASADO EN UNA RED NEURAL BAYESIANA Basada en los avances de la tecnologa de la informacin y en la teora de la estadstica bayesiana Minimiza las limitaciones del mtodo antes mencionado porque todas las combinaciones Frmaco-RAM se seleccionan sin sesgo

DEFINICIN DE DATA MINING


ES UNA HERRAMIENTA AUTOMATIZADA BASADA EN LA LGICA BAYESIANA, PARA EXAMINAR LA BASE DE DATOS DE LA OMS (VIGIBASE) BUSCANDO DETECTAR ASOCIACIONES FRMACO-REACCIN ADVERSA (SEALES).

BAYESIAN CONFIDENCE PROPAGATION NEURAL NETWORK (BCPNN) RED NEURAL DE PROPAGACIN DE CONFIANZA BAYESIANA
QU ES UNA RED NEURAL? IMITA AL CEREBRO

CREA CONEXIONES ENTRE LOS ELEMENTOS DEL PROCESAMIENTO (NEURONAS)


ES UNA MATRIZ DE NODOS INTERCONECTADOS. CADA NODO SE CONECTA CON TODOS LOS NODOS SE UTILIZA PARA CONTAR : TODOS LOS REPORTES DE LA BASE DE DATOS, LA FRECUENCIA DE LOS REPORTES DE LAS REACCIONES ADVERSAS Y DE LOS FRMACOS, AS COMO DE ESTOS DOS LTIMOS CUANDO ESTN REUNIDOS SON PARTICULARMENTE EFECTIVAS PARA PREDECIR EVENTOS CUANDO LAS BASES CONTIENEN GRAN NMERO DE DATOS PREVIOS

BASE DE DATOS DE LA OMS

Hasta diciembre del 2008 contiene ms de 4.5 millones de reportes Participan oficialmente 91 pases La red neural bayesiana tiene la potencia de cmputo que le permite considerar todas las conexiones, as como la capacidad de resaltar las seales potenciales.

BASE DE DATOS DE LA OMS: VIGIFLOW Es transparente: fcil de saber lo que se est calculando Robusta: se pueden obtener datos vlidos faltando datos, lo cual constituye una gran ventaja puesto que la mayora de los reportes contienen algunos campos vacos Resultados reproducibles lo que permite la validacin y verificacin de los mismos Permite las bsquedas rpidas

NUEVO PROCEDIMIENTO PARA GENERAR SEALES

REPORTESCOMBINACIONESASOCIACIONES SEALES DOCUMENTO CON SEALES

METODOLOGA BCPNN
EMPLEA LA ARQUITECTURA NEURAL PARA IDENTIFICAR DEPENDENCIAS INESPERADAS ENTRE LAS VARIABLES (FRMACOS Y RAMs) DENTRO DE LA BASE DE DATOS DE LA OMS Y CMO CAMBIAN ESTAS DEPENDENCIAS CON LA ADICIN DE DATOS NUEVOS LAS DEPENDENCIAS SE SELECCIONAN EMPLEANDO UNA MEDIDA DE DESPROPORCIONALIDAD LLAMADA COMPONENTE DE LA INFORMACIN (IC)

METODOLOGA BCPNN: EL COMPONENTE DE LA INFORMACIN IC=log2 PXY/PX PY


Donde: PX= probabilidad de un frmaco en especfico se encuentre en un reporte de caso. PY = probabilidad de una reaccin adversa especfica se encuentre en un reporte de casos PXY= probabilidad de que una combinacin frmaco-reaccin adversa se encuentre en un reporte de casos

APROXIMACIN BAYESIANA EN LA GENERACIN DE SEALES


En la base de datos de la OMS todas las RA se reportan para un frmaco especfico o un grupo de frmacos En un reporte se asocia un frmaco con una reaccin adversa y este tipo de reporte puede aparecer un cierto nmero de veces entre 0 y C (siendo C el nmero total de reportes en la base de datos) El No. de veces que una combinacin especfica FrmacoRA (Cij) se encuentra en la base de datos depende del nmero de veces que el frmaco ha sido reportado, as como del nmero total de reportes de esa RA

APROXIMACIN BAYESIANA EN LA GENERACIN DE SEALES Se buscan valores Cxy que sean mayores que los valores de Cx ( No. de reportes de un frmaco especfico en la base de datos) y Cy (No. de reportes de una RAM especfica en la base de datos) Para cada reporte individual en la base de datos, existe una probabilidad de que una RAM especfica ya se encuentre enlistada en esta base, es decir la probabilidad anterior. Y si este reporte de casos contiene un frmaco especfico, se tendr la probabilidad posterior

APROXIMACIN BAYESIANA EN LA GENERACIN DE SEALES Si la probabilidad posterior es mayor que la probabilidad anterior, entonces la presencia del frmaco en el reporte ha aumentado la probabilidad de que la RAM este presente y el par frmaco-RAM est presente en la base de datos ms frecuentemente que lo esperado

APROXIMACIN BAYESIANA EN LA GENERACIN DE SEALES


Con base en la teora de la informacin, la informacin mutua mide la cantidad de informacin que se obtiene de una variable (x), cuando ya se tiene informacin sobre el estado de la otra variable (y), o sea que mide la fuerza de la asociacin IC= log2 P ( x, y) / P (x) P (y) Cuando IC es positivo para una combinacin frmacoRAM , implica que el par frmaco-RAM est ms fuertemente asociado que lo esperado, al compararlo con Cx y Cy. Los valores de IC cercanos a cero representan independencia entre el frmaco y la RAM

APROXIMACIN BAYESIANA EN LA GENERACIN DE SEALES El IC se calcula en un nmero finito de reportes y por ende es un estimado del verdadero IC Para cada combinacin frmaco-RAM se calcula un intervalo de estimacin del IC como medida de certidumbre del valor del IC, lo cual resalta la combinacin, lo cual determina que se someta al proceso de seales

METODOLOGA BCPNN: EL COMPONENTE DE LA INFORMACIN


De aqu que el valor de IC depender de: El nmero de reportes de casos del frmaco X (CX) El nmero de reportes de casos del frmaco Y (CY) El nmero de reportes de casos con la combinacin especfica (CXY) El nmero total de reportes de casos (C)

METODOLOGA BCPNN: EL COMPONENTE DE LA INFORMACIN


Un valor positivo de IC significa que una combinacin particular de variables ha sido reportada ms a menudo que lo esperado estadsticamente a partir de los reportes existentes en la misma base de datos. A partir de la distribucin de IC y usando la estadstica bayesiana se calcula la varianza y la desviacin standard (medida de la robustez del valor) A valores mayores de CX, CY y CXY , el intervalo de confianza se hace menor

METODOLOGA BCPNN: EL COMPONENTE DE LA INFORMACIN


CUANDO UN VALOR POSITIVO DE IC SE INCREMENTA EN EL TIEMPO Y EL INTERVALO DE CONFIANZA SE ACORTA, SE CONSIDERA LA PROBABILIDAD DE UNA ASOCIACIN CUANTITATIVA POSITIVA ENTRE LAS VARIABLES ESTUDIADAS EN ESTE ESTUDIO SE CONSDERA QUE LA VARIABLE x ES EL FRMACO, y A LA REACCIN ADVERSA EL TRMINO COMBINACIN SE REFIERE A UNA COMBINACIN FRMACO-REACCIN ADVERSA CUYO LIMITE BAJO DEL INTERVALO DE CONFIANZA DEL VALOR DE IC EST POR ENCIMA DE 0

EVALUACIN DEL VALOR PREDICTIVO DE BCPNN EN LAS SEALES:


Cernimiento retrospectivo BCPNN de la base de datos de los primeros cuatro meses de 1993 Se seleccionaron para su anlisis las combinaciones frmaco-reaccin adversa que durante este perodo se volvieron positivas (el lmite bajo del intervalo de confianza 95% del valor IC cambi de negativo a positivo) y que incluy a los nuevos medicamentos. Tambin se seleccionaron combinaciones relacionadas con nuevos medicamentos para los cuales el lmite superior del intervalo de confianza 95% de IC cambi de positivo a negativo durante el perodo de estudio: ASOCIACIONES NEGATIVAS

EVALUACIN DEL VALOR PREDICTIVO DE BCPNN EN LAS SEALES:


Las asociaciones positivas y negativas fueron conocidas, lo cual se verific en la 30th edicin del Martindale (1993) Se analiz que las asociaciones se hubiesen fortalecido o confirmado durante un perodo de siete aos, 1993-2000, y se volvieron a buscar en la edicin 2000 del Martindale y del Physicians Desk Reference Los reportes se codificaron empleando la terminologa de las Reacciones Adversas de la OMS

EVALUACIN DEL VALOR PREDICTIVO DE BCPNN EN LAS SEALES


Se realiz una bsqueda BCPNN retrospectiva en la base de datos para saber si y cuando las seales de seguridad frmaco-reaccin adversa que circularon en los centros nacionales, cumplieron los criterios de asociacin umbral