改良診斷與用藥關聯探勘方法，降低假性關聯
以關聯規則為基礎的資料探勘技術，已被應用於醫療領域，用來分析處方開立模式，以及疾病與藥物之間的關聯（Disease-Medication, DM）。然而，傳統方法也可能產生部分不合理或偽造的關聯。本研究旨在改良資料探勘方法，以更準確辨識疾病與藥物之間的真實關聯，並評估新方法在降 低 DM 假性關聯方面的效能。 |
方法
本研究使用台灣健保資料庫中 2011 年 1 月至 2015 年 12 月的門診資料，並以關聯規則探勘中的提升度（Lift）評估疾病與藥物之間的關聯。
原始演算法計算所得的提升度定義為 Q1，改良後新演算法所得的提升度則定義為 Q2。
研究從 Q1 為正值（Q1+），但 Q2 為負值或不存在（Q2- 或 Q2∅）的 DM 組合中，隨機抽取 1,000 組作為驗證資料集，並由兩位藥師獨立評估這些疾病與藥物關聯的合理性。
結果
研究共辨識出 3,120,449 組獨立的 DM 組合，其中包括：
333,347 組 Q1+Q2- : 在 ATC 分類中的 C 類（29.91%）與 R 類（30.24%）比例相對較高
429,931 組 Q1+Q2∅ : 在 L 類（69.91%）與 V 類（52.52%）中比例較高。
在抽樣驗證的 1,000 組 DM 關聯中，有 93.7% 的 Q1+Q2- 或 Q1+Q2∅ 組合被藥師評估為假性關聯。
不過，新演算法仍有少部分誤判合理關聯的情況，其中以 ATC M 類（5.3%）、H 類（4.5%）與 B 類（4.1%）中，被錯誤標記為 Q2- 或 Q2∅ 的比例最高。
結論
改良後的新方法展現出高度準確性，能有效辨識被原始演算法誤判為正向關聯的假性疾病－藥物關聯。此方法具有改善次級資料庫分析品質的潛力，可進一步支援真實世界處方模式研究，並有助於提升用藥安全。
Wang CH, Nguyen PA, Jack Li YC, Islam MM, Poly TN, Tran QV, Huang CW, Yang HC. Improved diagnosis-medication association mining to reduce pseudo-associations. Computer Methods and Programs in Biomedicine. 2021 Aug;207:106181.