A Likelihood Ratio Test Based Method for Signal Detection With Application to FDA’s Drug Safety Data
基于似然比检验的信号检测及其 FDA 药物安全数据应用AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究药物安全报告的异常频率检测，未明确涉及所列因果识别或经济金融风险方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
基于似然比检验的信号检测及其 FDA 药物安全数据应用
- 研究问题
- 上市后药物安全报告中，如何发现频率异常偏高的药物—不良事件组合，并在保持检测能力的同时减少错误发现？
- 方法与思路
- 作者提出基于似然比检验的信号检测方法，通过大量模拟评估错误率与检验能力，并在两个规模不同的 FDA 报告数据集上展示。
- 材料陈述的贡献
- 摘要称该方法在模拟中保持良好功效与敏感性，同时控制第一类错误及错误发现率，并提供两种药物相关数据的应用。
- 阅读关注点
- 应核对似然模型、信号定义和检测阈值，以及多重比较处理、模拟依赖结构和自发报告数据中的偏差对结果的影响。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要提供的是模拟中的错误率表现，未说明普遍控制条件，检测信号也不等于药物因果效应。
原文摘要
Several statistical methods that are available in the literature to analyze postmarket safety databases, such as the U.S. Federal Drug Administration’s (FDA) adverse event reporting system (AERS), for identifying drug-event combinations with disproportionately high frequencies, are subject to high false discovery rates. Here, we propose a likelihood ratio test (LRT) based method and show, via an extensive simulation study, that the proposed method while retaining good power and sensitivity for identifying signals, controls both the Type I error and false discovery rates. The application of the LRT method to the AERS database is illustrated using two datasets; a small dataset consisting of suicidal behavior and mood change-related AE cases for the drug Montelukast, and a large dataset consisting of all possible AE cases reported to FDA during 2004–2008 for the drug Heparin. This article has supplementary material online.