研究概要 |
【目的】稀で予測困難な薬剤の有害事象の検出には仮説検証型の従来の疫学手法は適用できないことから,データマイニングとリスク補正を組み合わせる原理と手法の開発にとりくんだ。 【方法】薬効小分類ごとの使用量を説明変数に,目的変数を有害事象(死亡,血液透析の実施等)としてニューラルネットワークによるデータマイニングを行った。 観察研究であるレセプト分析ではRCTが不可能なので,プロペンシティスコアを使った疑似RCTを行い検証した。プロペンシティスコアはある薬剤が投与される確率であり,性,年齢,傷病名等の患者属性を説明変数,ある薬剤の投与を目的変数とした多重ロジスティック回帰を行い,その係数より全レセプトについてある薬剤が投与される確率を計算,同程度の確率の者同士5段階にわける。そして同グループ内で投与群と非投与群との間で,死亡等の有害事象の頻度の有意差検定を行う。 【結果】2つのデータマイニング手法の組み合わせが有害事象を検出する上で有効と結論された。 1)ニューラルネットワークにより,たとえば死亡,人工透析といった有害事象の原因と疑われる薬剤をリストアップする。 2)疑われた薬剤が投与される確率(プロペンシティスコア)で患者を層別化し,同じ確率の患者同士の間で,疑われる薬剤の投与群,非投与群間で有害事象の発生率を比較する。この疑似RCTにより,薬剤と有害事象の因果関係を検証する。 【考察と今後の展開】ニューラルネットモデルは因果関係を説明できない点が最大の弱点だが,リスク補正による疑似RCTを組み合わせて因果関係を検証する,ことにより,レセプトのような観察データから稀で予測困難な有害事象を検出する手法は可能である。来年度はデータマイニングの条件や対象となる有害事象をいろいろに変化させ,手法の改善を進める。詳細はhttp://jdrug.com参照。
|