回顾性纵向队列研究预测精分的多药性和DDI

Predicting the risk of drug–drug interactions in psychiatric hospitals: a retrospective longitudinal pharmacovigilance study

整体思路

研究目的：使用患者入院时可用的常规数据来预测多重用药和药物相互作用 (DDI)，并评估预测性能。
研究意义：个性化常规数据预测多药应用和ddi
研究方法：
1、收集样本2年，一年作为模型训练和测试，一年作为模型评估，样本量和样本基本特征在两年中保持一致。

样本情况

2、DDI描述：CYP450介导，至少使用一种抗胆碱能药，至少使用一种QT延长药物。（以上药物选择依靠指南和文献）
3、常规数据特征选择：入院年龄、性别、躯体和精神诊断、治疗设置（住院与日间诊所）和入院时的评分，包括总体功能评估量表、 临床总体印象、贝克抑郁量表 以及阳性和阴性综合征量表。
4、模型选择：逻辑回归作对照，说明这个机器学习模型gradient boosting with trees的好，顺带做了一个a naive baseline classifier（分类器）。

吃药越多，副作用风险越大

模型对比，感觉差不多

5、模型的可解释性：加入了累计局部效应的计算，看八个指标分别有啥影响。

特征可解释性

文中总结：
这项研究表明，精神病院的多药治疗和 DDI 可以根据患者入院时的常规数据进行预测。 这些预测可以支持对医院处方的收益和风险的有效管理，例如，在确定药物治疗之前，在入院后早期对有风险的患者进行药物监督。 未来的研究应调查此类风险模型对医院精神病学中药物安全过程和患者结果的临床影响。
优势：
1、长期纵向处方数据
2、研究数据来源丰富，八家医院+2年时间
3、预测模型，使用两套无关数据，降低信息泄露和过拟合的风险
缺点：
1、研究未包括在精神药物治疗下可能发生的所有潜在类型的药代动力学和药效学 DDI。
2、模型不能区分 DDI 和实际处方的不足。
3、未记录ADR，DDI实际未必导致ADR和负面患者结果
4、不同的医疗保健系统或不同的临床环境，当前模型的预测性能是否会保持稳定。

个人总结：
1、DDI的分类是否过于简洁，难道开的这个药物在指南或者文献中有描述导致QT延长，那就是只要处方药有这个药就会导致DDI？？？
2、文中多药要求5类药物以上，是不是三药以上就好了。
3、这个DDI预测是基于个人数据出发的，并不是基于药物特征出发，和其他文中的一些利用药物基本信息进行DDI预测有些不同。
4、模型简单，在准确率上和逻辑回归相差无几。不过中间的分类器我们也可以整一个，顺带手就出来了。