Big data, farmacoepidemiología y farmacovigilancia

Publicado

2020-01-01

Big data, pharmacoepidemiology and pharmacovigilance

Palabras clave:

Artificial Intelligence, Automatic Data Processing, Data Accuracy, Data Mining, Machine Learning, Registries (en)
Procesamiento automatizado de datos, Minería de datos, Aprendizaje automático, Exactitud de los datos, Inteligencia artificial, Sistema de registros (es)

Descargas

Autores/as

Jorge Andrés Sánchez-Duque Universidad Tecnológica de Pereira - Facultad de Ciencias de la Salud - Audifarma S.A., Grupo de Investigación en Farmacoepidemiología y Farmacovigilancia - Pereira - Colombia | Universidad Tecnológica de Pereira - Facultad de Ciencias de la Salud - Grupo de Investigación Epidemiología, Salud y Violencia - Pereira - Colombia https://orcid.org/0000-0002-8913-7729
Andrés Gaviria-Mendoza Universidad Tecnológica de Pereira - Facultad de Ciencias de la Salud - Audifarma S.A., Grupo de Investigación en Farmacoepidemiología y Farmacovigilancia - Pereira - Colombia | Fundación Universitaria Autónoma de las Américas - Sede Pereira - Facultad de Medicina - Grupo de Investigación Biomedicina - Pereira - Colombia. https://orcid.org/0000-0003-2500-7658
Paula Andrea Moreno-Gutiérrez Universidad Tecnológica de Pereira - Facultad de Ciencias de la Salud - Audifarma S.A., Grupo de Investigación en Farmacoepidemiología y Farmacovigilancia - Pereira - Colombia | Fundación Universitaria Autónoma de las Américas - Sede Pereira - Facultad de Medicina - Grupo de Investigación Biomedicina - Pereira - Colombia. https://orcid.org/0000-0003-2602-7626
Jorge Enrique Machado-Alba Universidad Tecnológica de Pereira - Facultad de Ciencias de la Salud - Audifarma S.A., Grupo de Investigación en Farmacoepidemiología y Farmacovigilancia - Pereira - Colombia https://orcid.org/0000-0002-8455-0936

Resumen (en)
Resumen (es)

Big data is a term that comprises a group of technological tools capable of processing extremely large heterogeneous data sets, which are continuously collected and are available to be used at any time, and, therefore, constitutes a source of scientific evidence production.

In the pharmacoepidemiology field, analyses made using these data sets may result in the development of pharmacological therapies that are more efficient, less expensive, and have a lower occurrence rate of adverse reactions. Likewise, the use of tools such as Text Mining or Machine Learning has led to major advances in pharmacoepidemiology and pharmacovigilance areas, so it is likely that these tools will be increasingly used over time.

Big data es un término que comprende un grupo de herramientas tecnológicas capaces de procesar conjuntos de datos heterogéneos extremadamente grandes, los cuales se recolectan de manera continua, están disponibles para ser usados y constituyen una fuente de evidencia científica.

En el área de la farmacoepidemiología, los análisis generados a partir de estos conjuntos de datos pueden resultar en la obtención de terapias médicas más eficientes, con menor número de reacciones adversas y menos costosas. Asimismo, el uso de herramientas como el Text Mining o el Machine Learning también ha llevado a grandes avances en las áreas de farmacoepidemiología y farmacovigilancia, por lo que es probable que su empleo sea cada vez mayor.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Saint-Gerons MD, de la Fuente-Honrubia C, de Andrés-Trelles F, Catalá-López F. Perspectiva futura de la farmacoepidemiología en la era del "Big data" y la expansión de las fuentes de información. Rev Esp Salud Pública. 2016;90(1):1-7.

Stokes LB, Rogers JW, Hertig JB, Weber RJ. Big data: Implications for Health system pharmacy. Hosp Pharm. 2016;51(7):599-603. http://doi.org/c8d7.

Hernandez I, Zhang Y. Using predictive analytics and big data to optimize pharmaceutical outcomes. Am J Health Syst Pharm. 2017;74(18):1494-500. http://doi.org/gbx3fx.

Issa NT, Byers SW, Dakshanamurthy S. Big data: the next frontier for innovation in therapeutics and healthcare. Expert Rev Clin Pharmacol. 2014;7(3):293-298. http://doi.org/f55ppj.

Baldwin JN, Bootman JL, Carter RA, Crabtree BL, Piascik P, Ekoma JO, et al. Pharmacy practice, education, and research in the era of big data: 2014-15 Argus Commission Report. Am J Pharm Educ. 2015;79(10):S26. http://doi.org/c8ff.

Trifirò G, Sultana J, Bate A. From Big Data to Smart Data for Pharmacovigilance: The Role of Healthcare Databases and Other Emerging Sources. Drug Saf. 2018;41(2):143-9. http://doi.org/gc2j4d.

Ventola CL. Big Data and pharmacovigilance: data mining for adverse drug events and interactions. P T. 2018;43(6):340-51.

Laporte JR. Fifty years of pharmacovigilance-medicines safety and public health. Pharmacoepidemiol Drug Saf. 2016;25(6):725-32. http://doi.org/c8fg.

Chen B, Butte AJ. Leveraging big data to transform target selection and drug discovery. Clin Pharmacol Ther. 2016;99(3):285-97. http://doi.org/f8bkzd.

More S, Joshi P. Novel approach for Data Mining of Social Media to Improve Health Care using Network-Based Modeling. IJETT. 2017;4(Special).

Yang CT, Liu JC, Chen ST, Lu HW. Implementation of a Big Data Accessing and Processing Platform for Medical Records in Cloud. J Med Syst. 2017;41(10):149. http://doi.org/gb456b.

Alonso SG, de la Torre Díez I, Rodrigues JJPC, Hamrioui S, López-Coronado M. A Systematic Review of Techniques and Sources of Big Data in the Healthcare Sector. J Med Syst. 2017;41(11):183. http://doi.org/gch262.

Wilson AM, Thabane L, Holbrook A. Application of data mining techniques in pharmacovigilance. Br J Clin Pharmacol. 2004;57(2):127-34. http://doi.org/dnvp2h.

Ben-Abacha A, Chowdhury MFM, Karanasiou A, Mrabet Y, Lavelli A, Zweigenbaum P. Text mining for pharmacovigilance: Using machine learning for drug name recognition and drug-drug interaction extraction and classification. J Biomed Inform. 2015;58:122-32. http://doi.org/f74w4j.

Beam AL, Kohane IS. Big Data and Machine Learning in Health Care. JAMA. 2018;319(13):1317-8. http://doi.org/gc7qpm.

Fernández-Silano M. La Salud 2.0 y la atención de la salud en la era digital. Revista Médica de Risaralda. 2014;20(1):41-6.

Flockhart D, Bies RR, Gastonguay MR, Schwartz SL. Big data: challenges and opportunities for clinical pharmacology. Br J Clin Pharmacol. 2016;81(5):804-6. http://doi.org/c8fk.

Sánchez-Duque JA, García-Zuluaga AF, Betancourt-Quevedo R, Alzate-González MF. ¿Es hora de regular los productos y suplementos herbales? CIMEL. 2018;23(2). http://doi.org/c8fm.

Salathé M. Digital Pharmacovigilance and Disease Surveillance: Combining Traditional and Big-Data Systems for Better Public Health. JID. 2016;214(Suppl 4):S399-S403. http://doi.org/f9pvm7.

Harpaz R, DuMochel W, Shah NH. Big data and adverse drug reaction detection. Clin Pharmacol Ther. 2016;99(3):268-70. http://doi.org/c8fn.

Shah NH, LePendu P, Bauer-Mehren A, Ghebremariam YT, Iyer SV, Marcus J, et al. Proton pump inhibitor usage and the risk of myocardial infarction in the general population. PLoS One. 2015;10(6):e0124653. http://doi.org/f743hs.

Chang SH, Chou IJ, Yeh YH, Chiou MJ, Wen MS, Kuo CT, et al. Association between use of non-vitamin k oral anticoagulants with and without concurrent medications and risk of major bleeding in nonvalvular atrial fibrillation. JAMA. 2017;318(13):1250-9. http://doi.org/gbzw2f.

Pedersen LH, Petersen OB, Nørgaard M, Ekelund C, Pedersen L, Tabor A, et al. Linkage between the Danish National Health Service Prescription Database, the Danish Fetal Medicine Database, and other Danish registries as a tool for the study of drug safety in pregnancy. Clin Epidemiol. 2016;8:91-5. http://doi.org/c8fp.

Pottegård A, Schmidt SAJ, Wallach-Kildemoes H, Sørensen HT, Hallas J, Schmidt M. Data Resource Profile: The Danish National rescription Registry. Int J Epidemiol. 2017;46(3):798-798f. http://doi.org/c8fq.

Herrett E, Gallagher AM, Bhaskaran K, Forbes H, Mathur R, van Staa T, et al. Data Resource Profile: Clinical Practice Research Datalink (CPRD). Int J Epidemiol. 2015;44(3):827-36. http://doi.org/f7ndhg.

Blau JE, Tella SH, Taylor SI, Rother KI. Ketoacidosis associated with SGLT2 inhibitor treatment: Analysis of FAERS data. Diabetes Metab Res Rev. 2017;33(8):e2924. http://doi.org/c8fr.

Wang K, Wan M, Wang RS, Weng Z. Opportunities for Web-based Drug Repositioning: Searching for Potential Antihypertensive Agents with Hypotension Adverse Events. J Med Internet Res. 2016;18(4):e76. http://doi.org/f8w652.

Álvarez-Madrazo S, McTaggart S, Nangle C, Nicholson E, Bennie M. Data Resource Profile: The Scottish National Prescribing Information System (PIS). Int J Epidemiol. 2016;45(3):714-715f. http://doi.org/c8fs.

Donzanti BA. Pharmacovigilance is Everyone's Concern: Let's Work It Out Together. Clin Ther. 2018;40(12):1967-72. http://doi.org/gfs8tk.

Fernández A, Gómez A, Lecumberry F, Pardo A, Ramírez I. Pattern Recognition in Latin America in the “Big Data” Era. Pattern Recognit. 2015;48(4):1185-96. http://doi.org/c8ft.

Noreña-P A, González-Muñoz A, Mosquera-Rendón J, Botero K, Cristancho MA. Colombia, an unknown genetic diversity in the era of Big Data. BMC Genomics. 2018;19(Suppl 8):859. http://doi.org/c8fv.

Lombi F, Varela CF, Martinez R, Greloni G, Campolo-Girard V, Rosa-Diez G. Acute kidney injury in Latin America in "big data" era. Nefrologia. 2017;37(5):461-4. http://doi.org/c8fw.

Purcell PM. Data Mining in Pharmacovigilance. Int J Pharm Med. 2003;17(2):63-4. http://doi.org/dkbgbf.

Xie L, Draizen EJ, Bourne PE. Harnessing big data for systems pharmacology. Annu Rev Pharmacol Toxicol. 2017;57:245-62. http://doi.org/c8fx.