Τεχνολογίες δεδομένων μεγάλης κλίμακας και ανίχνευση ανεπιθύμητων ενεργειών φαρμάκων - φαρμακοεπαγρύπνηση

Περίληψη

Εισαγωγή: Η φαρμακοεπαγρύπνηση βασίζεται κυρίως σε δεδομένα που λαμβάνονται από συστήματα αναφορών και βάσεις δεδομένων ανεπιθύμητων ενεργειών. Ωστόσο, λόγω του χαμηλού αριθμού αναφορών, γίνεται διερεύνηση χρήσης νέων μεθόδων παρακολούθησης για την ανίχνευση πιθανών σημάτων ασφάλειας. Τα τελευταία χρόνια, αναπτύχθηκαν μέθοδοι μηχανικής μάθησης για τον εντοπισμό πρωτογενών ανεπιθύμητων ενεργειών σε μέσα κοινωνικής δικτύωσης. Ωστόσο, εξακολουθούν να υπάρχουν μεγάλα ανεκμετάλλευτα πεδία δεδομένων, που παράγονται από χρήστες και ασθενείς. Για παράδειγμα, το 2009 η Google πέτυχε να προβλέψει την εξάπλωση του ιού H1N1 αναλύοντας φράσεις και όρους που χρησιμοποιούν οι χρήστες στη μηχανή αναζήτησης. Αντικείμενο της διατριβής είναι η ανίχνευση πιθανού σήματος κατάχρησης σε 3 διαφορετικά φάρμακα συνδυάζοντας διαφορετικές πηγές παρακολούθησης: Twitter, δεδομένα αναζήτησης χρηστών στη μηχανή αναζήτησης της Google και τη βάση δεδομένων του FDA Adverse Event Reporting System (FAERS). Παρουσιάζουμε έ ...
περισσότερα

Περίληψη σε άλλη γλώσσα

Introduction: Post marketing drug safety surveillance mainly relies on data retrieved from spontaneous report systems and observational databases. However, due to some important limitations of these data sources, interest in exploring the use of new methods of surveillance to detect potential drug safety signals is growing. Social media and search analytics domains they are a useful source of information. In the recent years, machine learning methods developed to detect proto adverse events on Twitter posts as well as in general posts in forums or Facebook. However, there are still large unexploitable areas of data, mainly self-generated form users and patients. For example, in 2009 Google succeeded on predicting the H1N1 virus spread by analyzing phrases and terms used by users in its search engine.This study sought to detect a potential safety signal of abuse on 3 different drugs by combining different sources of surveillance, specifically Twitter posts, Google search analytics and t ...
περισσότερα

Όλα τα τεκμήρια στο ΕΑΔΔ προστατεύονται από πνευματικά δικαιώματα.

Διεύθυνση Handle
http://hdl.handle.net/10442/hedi/47500
ND
47500
Εναλλακτικός τίτλος
Big data technologies for detecting adverse drug events - pharmacovigilance
Συγγραφέας
Σπάχος, Δημήτριος του Γεώργιος
Ημερομηνία
2020
Ίδρυμα
Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης (ΑΠΘ). Σχολή Επιστημών Υγείας. Τμήμα Ιατρικής. Τομέας Φυσιολογίας - Φαρμακολογίας
Εξεταστική επιτροπή
Καρακιουλάκης Γεώργιος
Κούβελας Δημήτριος
Μπαμίδης Παναγιώτης
Σιούντας Αναστάσιος
Παπαζήσης Γεώργιος
Βακάλη Αθηνά
Αλετράς Αντώνιος
Επιστημονικό πεδίο
Φυσικές Επιστήμες
Επιστήμη Ηλεκτρονικών Υπολογιστών και Πληροφορική
Ιατρική και Επιστήμες Υγείας
Άλλες Ιατρικές Επιστήμες
Λέξεις-κλειδιά
Δεδομένα μεγάλης κλίμακας,; Ανεπιθύμητες ενέργειες; Φαρμακοεπαγρύπνηση
Χώρα
Ελλάδα
Γλώσσα
Ελληνικά
Άλλα στοιχεία
144 σ., πιν., χαρτ., σχημ., γραφ.
Ειδικοί όροι χρήσης/διάθεσης
Το έργο παρέχεται υπό τους όρους της δημόσιας άδειας του νομικού προσώπου Creative Commons Corporation:
Στατιστικά χρήσης
ΠΡΟΒΟΛΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής.
Πηγή: Google Analytics.
ΞΕΦΥΛΛΙΣΜΑΤΑ
Αφορά στο άνοιγμα του online αναγνώστη.
Πηγή: Google Analytics.
ΜΕΤΑΦΟΡΤΩΣΕΙΣ
Αφορά στο σύνολο των μεταφορτώσων του αρχείου της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
ΧΡΗΣΤΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
Σχετικές εγγραφές (με βάση τις επισκέψεις των χρηστών)