Semantic Similarity-Informed Bayesian Borrowing for Quantitative Signal Detection of Adverse Events

要約

自発的な報告システム（SRSS）の有害事象（AES）の定量的識別を強化するためのベイジアンダイナミック借入（BDB）アプローチを提示します。
この方法は、ベイジアン階層モデルを備えた堅牢なメタ分析予測（MAP）を埋め込み、セマンティック類似性測定（SSM）を組み込んで、臨床的に類似したMEDDRA優先項（PTS）からターゲットPTへの加重情報共有を可能にします。
この連続的な類似性ベースの借入は、現在の不均衡分析（DPA）における剛性階層グループの制限を克服します。
2015年から2019年の間にFDAの有害事象報告システム（FAERS）のデータを使用して、MEDDRA高レベルのグループタームレベル（IC HLGT）での借入と、従来の情報コンポーネント（IC）分析とICに対して、IC SSMと呼ばれるアプローチ（IC SSMと呼ばれるアプローチ）を評価します。
FDA製品ラベルアップデートから派生した参照セット（PVLENS）は、公式ラベル付けの前にAESを識別するためのメソッドパフォーマンスの前向き評価を可能にしました。
IC SSMアプローチは、従来のIC（SE = 0.501、J = 0.250）およびIC HLGT（SE = 0.556、J = 0.225）よりも高い感度（1332/2337 = 0.570、Youden’s J = 0.246）を示し、より多くの真のポジティブを特定し、従来のICよりも平均5か月早くそうすることを実証しました。
凝集体F1スコアとYoudenのインデックスがわずかに低いにもかかわらず、IC SSMは市場後の初期の期間または検出しきい値が上がったときに高いパフォーマンスを示し、IC HLGTおよび従来のICよりも安定した関連するアラートを提供しました。
これらの調査結果は、他のデータセット間の検証の可能性と、ケースレベルデータを使用した追加の類似性メトリックとベイジアン戦略の探索の可能性を伴う、従来のDPAメソッドのスケーラブルでコンテキストを意識した強化としてのSSMに基づいたベイジアン借入の使用をサポートしています。

要約(オリジナル)

We present a Bayesian dynamic borrowing (BDB) approach to enhance the quantitative identification of adverse events (AEs) in spontaneous reporting systems (SRSs). The method embeds a robust meta-analytic predictive (MAP) prior with a Bayesian hierarchical model and incorporates semantic similarity measures (SSMs) to enable weighted information sharing from clinically similar MedDRA Preferred Terms (PTs) to the target PT. This continuous similarity-based borrowing overcomes limitations of rigid hierarchical grouping in current disproportionality analysis (DPA). Using data from the FDA Adverse Event Reporting System (FAERS) between 2015 and 2019, we evaluate our approach — termed IC SSM — against traditional Information Component (IC) analysis and IC with borrowing at the MedDRA high-level group term level (IC HLGT). A reference set (PVLens), derived from FDA product label update, enabled prospective evaluation of method performance in identifying AEs prior to official labeling. The IC SSM approach demonstrated higher sensitivity (1332/2337=0.570, Youden’s J=0.246) than traditional IC (Se=0.501, J=0.250) and IC HLGT (Se=0.556, J=0.225), consistently identifying more true positives and doing so on average 5 months sooner than traditional IC. Despite a marginally lower aggregate F1-score and Youden’s index, IC SSM showed higher performance in early post-marketing periods or when the detection threshold was raised, providing more stable and relevant alerts than IC HLGT and traditional IC. These findings support the use of SSM-informed Bayesian borrowing as a scalable and context-aware enhancement to traditional DPA methods, with potential for validation across other datasets and exploration of additional similarity metrics and Bayesian strategies using case-level data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google