최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기정보처리학회지 = Korea information processing society review, v.24 no.5, 2017년, pp.14 - 21
초록이 없습니다.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
의약품 부작용 보고 시스템에서 자발적 부작용 보고자료가 가지는 단점은 무엇인가? | 한국의 경우 한국 의약품 안전관리원에서 의약품 부작용 보고 시스템을 구축하고 데이터베이스를 관리 및 정보 제공을 담당하고 있다. 그러나 자발적 부작용 보고자료는 의사나 약사, 간호사 등 의약 전문가나 제조회사에서 자발적으로 부작용 정보를 제공하는 것이므로 과소 보고의 제약점을 안고 있으며, 보고된 사례도 보고자에 따라 정보의 질이 현격히 다르다는 단점이 있다. | |
의약품 부작용 중 이상 사례의 원인은 무엇인가? | 의약품 부작용 (Side Effect)이란 의약품 등을 정상적인 용법에 따라 투여한 경우 발생하는 모든 의도되지 않은 효과를 말하며, 이 중에서 바람직하지 않은 징후, 증상 또는 질병을 이상 사례 (Adverse Event) 라고 한다[3]. 이러한 이상 사례의 원인은 허가 시점에서 얻을 수 있는 의약품 정보의 한계에서 기인한다. 즉, 시판 전 임상시험 시 소아, 임산부 및 노인에 대한 시험이 제한되고 있으며, 임상 시험 후 일정 기간 동안 부작용 정보를 추적하므로 장기간이 지난 뒤 나타나는 부작용에 대한 발견이 어렵다. | |
의약품 산업에서 소셜 미디어 빅데이터의 활용의 장점은 무엇인가? | 환자들의 소셜 네트워크 서비스인 patientslikeme[6]의 경우, 같은 질환을 가진 환자들끼리 증상, 부작용, 처방 기록 등의 정보를 주고받는 사이트로 기존의 데이터베이스에서 간과한 환자들의 의견이 고스란히 반영된 질병 정보 데이터를 제공하고 있다. 이와 같은 소셜 미디어 빅데이터의 활용은 임상 시험에 비하여 다양한 연령층 및 질환군을 포함할 수 있고, 의약품의 장기 사용에 의한 부작용 정보를 발견할 수 있다는 장점을 갖는다. 뿐만 아니라 시판 이후 부작용이 발견되고 평가를 거쳐 시판이 철회되기까지 비교적 많은 시간이 소요되므로 빅데이터 분석을 통한 부작용 예측은 그 시간을 단축시키는데 중요한 역할을 할 수 있다. |
WG. McBride, Thalidomide and congential abnormalities. Lancet, Vol 2, pp. 1358, 1961.
D. Choi, M. Choi, and A. Ko, Current status of pharmaceutial safety management in Korea, J. Korean Med. Assoc. Vol. 55, No. 9, pp. 827-834, 2012.
한국의약품안전관리원, http://www.drugsafe.or.kr/
NK Choi, J. Lee and BJ Park, Recent international initiatives of drug safety management, J. Korean Med. Assoc. Vol. 55, No. 9, pp. 819-826, 2012.
BJ Park, Application of big data for public health, J. Korean Med. Assoc. Vol. 57, No. 5, pp. 383-385, 2014.
patientslikeme, http://www.patientslikeme.com/
A. Bate and SJ Evans, Quantitative signal detection using spontaneous ADR reporting, Pharmacoepidemiol Drug Saf. Vol. 18, pp. 427-436, 2009.
T. Tamura, T. Sakaeda, K. Kadoyama, et al. Aspirin- and clopidogrel-associated bleeding complications: Data Mining of the public version of the FDA Adverse Event Reporting System, Int. J. Med. Sci, Vol. 9, pp. 441-446, 2012.
K. Sarvnaz et al., Text and Data Mining Techniques in Adverse Drug Reaction Detection, ACM Computing Surveys, Vol. 47, No. 4, pp. 56:1-56:39, 2015.
T. Sakaeda, A. Tamon, K. Kadoyama, and Y. Okuno, Data Mining of the Public Version of the FDA Adverse Event Reporting System, Int. J. of Med. Sci., Vol. 10, pp. 796-803.
H. Kim and KY Rhew, A Machine Learning Approach to Classification of Case Reports on Adverse Drug Reactions using Text Mining of Expert Opinions, Lecture Notes in Electronic Engineering, Vol. 474, pp. 1072-1077, 2018.
KH Lim, et al, Comparison of WHO-ART Versus MedDRA, Internationally Standardized Terminology of Adverse Drug Reaction Classification, Korean. J. Cli. Pharm. Vol. 17, No. 1, pp. 46-52, 2007.
CC Freifeld, JS Brownstein, CM. Menone, et al., Digital drug safety surveilance: monitoring pharmaceutical products in Twitter, Drug Saf., Vol. 37, No. 5, pp. 343-350, 2014.
A. Sarker and G. Gonzalez, Portable automatic text classification for adverse drug reaction detection via multi-corpus training, Journal of Biomedical Informatics, Vol. 53, pp. 196-207, 2015.
A. Cocos, A. G. Fiks, and A. J. Masino, Deep learning for pharmacovigilance: recurrent neural network architectures for labeling adverse drug reactions in Twitter posts, J. of the American Medical Inoformatics Association, Vol. 24, No. 4, pp. 813-821, 2017.
K. Lee, et al, Adverse Drug Event Detection in Tweets with Semi-Supervised Convolutional Neural Networks, In Proc. of International World Wide Web Conference, Perth, Australia, pp. 705-714, 2017.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.