gms | German Medical Science

Einleitung/Hintergrund: Das Drug-Safety-Monitoring von Arzneimitteln zur Erkennung von unbekannten Nebenwirkungen nach der Markteinführung erhält in den letzten Jahren eine stetig wachsende Bedeutung. Die auszuwertenden Datenmengen werden umfangreicher und weisen eine tiefere innere Komplexität auf. Dies stellt klassische Methoden zur Signalgenerierung vor massive Probleme. Daher scheinen hochperformante Data Mining-Methoden eine viel versprechende Möglichkeit zu sein, Hypothesen über die innere Struktur solcher Datenbeständen zu generieren und damit die klassischen Techniken zu ergänzen [Ref. 1].

Material und Methoden: Verschiedene etablierte Algorithmen des Data Mining (DM) werden gegenübergestellt. Um einen Einblick in die Güte der Ergebnisse zu bekommen, werden die Verfahren zunächst in einer Simulationsstudie angewandt. Ein besonderes Augenmerk wird gelegt auf mögliche Unterschiede in der Strukturerkennung und Laufzeit zwischen "einfachen" DM-Verfahren und solchen, die komplexe mathematische Methoden einsetzen. Nach Adjustierung einzelner Parameter der verschiedenen Verfahren werden diese auf reale Daten angewandt und die Ergebnisse mit denen klassischer Verfahren zur Signalgenerierung verglichen.

Ein weiterer Aspekt, der im Fokus der Untersuchungen steht, ist die erforderliche Mindestgröße einer Datenbank, um durch den Einsatz von DM-Methoden einen Vorteil zu erzielen.

Ergebnisse und Diskussion: Es werden die Ergebnisse der vergleichenden Simulationsstudien präsentiert, wobei speziell auf zwei Punkte eingegangen wird. Zum einen werden die "einfachen" und die "komplexen" DM-Algorithmen verglichen, zum zweiten die Änderungen der Ergebnisse im Laufe der Parameter-Adjustierung der einzelnen Verfahren aufgezeigt. Weiterhin werden die Ergebnisse der Anwendung der adjustierten Techniken auf Daten einer klinischen Studie berichtet und vor- und Nachteile der eingesetzten Verfahren diskutiert.