scientific-pharmacovigilance

name	scientific-pharmacovigilance
description	ファーマコビジランス（医薬品安全性監視）スキル。FAERS/FDA 有害事象報告データベースを活用し、 不均衡分析（PRR/ROR/IC）、MedDRA 階層構造、時系列トレンド、人口統計層別化を実施。 市販後安全性シグナル検出と定量的評価を支援。 「有害事象を分析して」「FAERS データを解析して」「安全性シグナルを検出して」で発火。

Scientific Pharmacovigilance

医薬品安全性監視（ファーマコビジランス）のための解析スキル。 FDA FAERS（FDA Adverse Event Reporting System）を中心とした 市販後安全性データの統合的分析を支援する。

When to Use

• 市販後有害事象データの不均衡分析（Signal Detection）
• 特定医薬品の安全性プロファイル評価
• MedDRA 階層を用いた有害事象の体系的分類
• 時系列トレンドによるシグナル推移の追跡
• 人口統計（年齢・性別・体重）別の層別化解析
• 薬物間の安全性比較

Quick Start

ファーマコビジランス解析パイプライン

Phase 1: Data Acquisition
  - FAERS / EudraVigilance / VigiBase からのデータ取得
  - 製品名・成分名の正規化
  - 重複報告の除去（Case ID ベース）
    ↓
Phase 2: MedDRA Coding & Hierarchy
  - LLT → PT → HLT → HLGT → SOC 階層マッピング
  - Preferred Term (PT) レベルでの集計
  - SMQ (Standardised MedDRA Query) 適用
    ↓
Phase 3: Disproportionality Analysis
  - PRR (Proportional Reporting Ratio) 算出
  - ROR (Reporting Odds Ratio) 算出
  - IC (Information Component, Bayesian) 算出
  - EBGM (Empirical Bayes Geometric Mean) 算出
  - シグナル閾値判定
    ↓
Phase 4: Temporal & Demographic Analysis
  - Time-to-Onset 分布解析
  - 四半期別報告トレンド
  - 年齢・性別・体重・適応症別層別化
  - Rechallenge / Dechallenge 分析
    ↓
Phase 5: Signal Evaluation & Reporting
  - シグナル優先順位付け
  - ケースナラティブ分析
  - 因果関係評価（WHO-UMC / Naranjo スケール）
  - 安全性シグナルレポート生成
    ↓
Phase 6: Risk-Benefit Assessment
  - NNH (Number Needed to Harm) 推定
  - リスク-ベネフィットバランス評価
  - REMS / RiskMAP 提言
    ↓
Phase 7: Regulatory Communication
  - PBRER / PSUR セクション対応
  - シグナルサマリー文書生成
  - 添付文書改訂案

Workflow

1. FAERS データ取得・前処理

import pandas as pd
import numpy as np
from scipy import stats

# === FAERS データ読み込み ===
# FAERS ASCII ファイル: DEMO, DRUG, REAC, OUTC, INDI, THER, RPSR
demo = pd.read_csv("faers/DEMO.txt", sep="$", dtype=str)
drug = pd.read_csv("faers/DRUG.txt", sep="$", dtype=str)
reac = pd.read_csv("faers/REAC.txt", sep="$", dtype=str)

# 重複除去: primaryid 最新版のみ保持
demo = demo.sort_values("fda_dt", ascending=False).drop_duplicates(subset=["caseid"], keep="first")

# Drug-Reaction ペア構築
merged = drug.merge(reac, on="primaryid", how="inner")
merged = merged.merge(demo[["primaryid", "age", "sex", "wt", "reporter_country"]], on="primaryid", how="left")

# 対象薬剤のフィルタ
target_drug = "ACETAMINOPHEN"
target_df = merged[merged["drugname"].str.upper().str.contains(target_drug)]
print(f"Target drug reports: {len(target_df):,}")

2. MedDRA 階層マッピング

# === MedDRA 階層 ===
# LLT → PT → HLT → HLGT → SOC
meddra_pt = pd.read_csv("meddra/pt.asc", sep="$", header=None,
                         names=["pt_code", "pt_name", "null_field",
                                "pt_soc_code", "null2", "null3"])
meddra_soc = pd.read_csv("meddra/soc.asc", sep="$", header=None,
                          names=["soc_code", "soc_name", "soc_abbrev", "null1"])

# PT コードを Reaction テーブルに紐付け
merged["pt_name_clean"] = merged["pt"].str.strip().str.upper()

# SOC レベル集計
soc_summary = merged.merge(meddra_pt, left_on="pt_name_clean", right_on="pt_name")
soc_counts = soc_summary.groupby("pt_soc_code").size().reset_index(name="count")
soc_counts = soc_counts.merge(meddra_soc, left_on="pt_soc_code", right_on="soc_code")
soc_counts = soc_counts.sort_values("count", ascending=False)
print("Top SOC categories:")
print(soc_counts[["soc_name", "count"]].head(10).to_string(index=False))

3. 不均衡分析（Disproportionality Analysis）

def disproportionality_analysis(drug_reactions_df, all_reactions_df, target_drug):
    """
    PRR, ROR, IC (Information Component) を算出。

    2x2 分割表:
                    Target AE   Other AE
    Target Drug      a           b
    Other Drugs      c           d
    """
    results = []

    target_pts = drug_reactions_df[
        drug_reactions_df["drugname"].str.upper().str.contains(target_drug)
    ]["pt"].value_counts()

    total_target = drug_reactions_df[
        drug_reactions_df["drugname"].str.upper().str.contains(target_drug)
    ]["primaryid"].nunique()

    total_all = all_reactions_df["primaryid"].nunique()
    total_other = total_all - total_target

    for pt, a in target_pts.items():
        # b: target drug, other AE
        b = total_target - a
        # c: other drugs, same AE
        c_total = all_reactions_df[all_reactions_df["pt"] == pt]["primaryid"].nunique()
        c = c_total - a
        # d: other drugs, other AE
        d = total_other - c

        # PRR
        if (a + b) > 0 and (c + d) > 0 and c > 0:
            prr = (a / (a + b)) / (c / (c + d))
            # PRR の 95% CI
            se_ln_prr = np.sqrt(1/a - 1/(a+b) + 1/c - 1/(c+d)) if a > 0 else np.inf
            prr_lower = np.exp(np.log(prr) - 1.96 * se_ln_prr) if prr > 0 else 
        :
            prr, prr_lower = , 

        
         b >   c >   d > :
            ror = (a * d) / (b * c)
            se_ln_ror = np.sqrt(/a + /b + /c + /d)  a >   np.inf
            ror_lower = np.exp(np.log(ror) -  * se_ln_ror)  ror >   
        :
            ror, ror_lower = , 

        
        expected = (a + b) * (a + c) / (a + b + c + d)  (a + b + c + d) >   
        ic = np.log2((a + ) / (expected + ))  expected >   

        
        chi2, p_value = , 
         a + b + c + d > :
            :
                chi2, p_value, _, _ = stats.chi2_contingency([[a, b], [c, d]])
             ValueError:
                

        
        is_signal = (prr >=   chi2 >=   a >= )
        is_signal_ror = (ror_lower >   a >= )
        is_signal_ic = (ic >   a >= )

        results.append({
            : pt, : a, : b, : c, : d,
            : (prr, ), : (prr_lower, ),
            : (ror, ), : (ror_lower, ),
            : (ic, ),
            : (chi2, ), : (p_value, ),
            : is_signal,
            : is_signal_ror,
            : is_signal_ic,
        })

     pd.DataFrame(results).sort_values(, ascending=)

signals = disproportionality_analysis(merged, merged, target_drug)
()
(signals[signals[]].head())

4. 時系列トレンド分析

import matplotlib.pyplot as plt

def temporal_trend_analysis(drug_df, target_drug, target_pt=None):
    """四半期別報告トレンドと Time-to-Onset 分布"""
    target = drug_df[drug_df["drugname"].str.upper().str.contains(target_drug)].copy()
    if target_pt:
        target = target[target["pt"].str.upper().str.contains(target_pt)]

    # 四半期別集計
    target["report_date"] = pd.to_datetime(target["fda_dt"], format="%Y%m%d", errors="coerce")
    target["quarter"] = target["report_date"].dt.to_period("Q")
    quarterly = target.groupby("quarter").size()

    fig, axes = plt.subplots(1, 2, figsize=(14, 5))

    # 報告トレンド
    quarterly.plot(kind="bar", ax=axes[0], color="#2196F3")
    axes[0].set_title(f"Quarterly Reports: {target_drug}")
    axes[0].set_ylabel("Report Count")
    axes[0].tick_params(axis="x", rotation=45)

    # Time-to-Onset
    if "event_dt" in target.columns and "start_dt" in target.columns:
        target[] = pd.to_datetime(target[], =, errors=)
        target[] = pd.to_datetime(target[], =, errors=)
        target[] = (target[] - target[]).dt.days
        valid_tto = target[].dropna()
        valid_tto = valid_tto[(valid_tto >= ) & (valid_tto <= )]
        axes[].hist(valid_tto, bins=, color=, edgecolor=)
        axes[].set_title()
        axes[].set_xlabel()
        axes[].set_ylabel()

    plt.tight_layout()
    plt.savefig(, dpi=, bbox_inches=)
    plt.show()

temporal_trend_analysis(merged, target_drug)

5. 人口統計層別化分析

def demographic_stratification(drug_df, target_drug, target_pt):
    """年齢・性別・体重別の層別不均衡分析"""
    target = drug_df[
        (drug_df["drugname"].str.upper().str.contains(target_drug)) &
        (drug_df["pt"].str.upper().str.contains(target_pt))
    ].copy()

    # 年齢カテゴリ
    target["age_num"] = pd.to_numeric(target["age"], errors="coerce")
    target["age_group"] = pd.cut(target["age_num"],
                                  bins=[0, 18, 40, 65, 85, 120],
                                  labels=["<18", "18-40", "40-65", "65-85", "85+"])

    # 性別分布
    sex_dist = target["sex"].value_counts()

    # Weight-based analysis
    target["wt_num"] = pd.to_numeric(target["wt"], errors="coerce")

    fig, axes = plt.subplots(1, 3, figsize=(16, 5))

    # Age distribution
    target["age_group"].value_counts().sort_index().plot(
        kind="bar", ax=axes[0], color="#4CAF50")
    axes[0].set_title(f"Age Distribution: {target_drug} + {target_pt}")
    axes[0].set_ylabel()

    
    sex_dist.plot(kind=, ax=axes[], autopct=,
                  colors=[, , ])
    axes[].set_title()

    
       target.columns:
        outcome_map = {: , : ,
                       : , : ,
                       : , : }
        target[] = target[].(outcome_map)
        target[].value_counts().plot(
            kind=, ax=axes[], color=)
        axes[].set_title()

    plt.tight_layout()
    plt.savefig(, dpi=, bbox_inches=)
    plt.show()

     target

demographic_stratification(merged, target_drug, )

6. 因果関係評価

def naranjo_assessment(case_data):
    """
    Naranjo Adverse Drug Reaction Probability Scale
    スコア: ≥9 = Definite, 5-8 = Probable, 1-4 = Possible, ≤0 = Doubtful
    """
    questions = [
        ("以前に確立された有害反応か", 1, 0, 0),
        ("薬剤投与後に出現したか", 2, -1, 0),
        ("中止で改善したか (Dechallenge)", 1, 0, 0),
        ("再投与で再発したか (Rechallenge)", 2, -1, 0),
        ("他の原因が除外できるか", -1, 2, 0),
        ("プラセボでも出現するか", -1, 1, 0),
        ("血中濃度は中毒域か", 1, 0, 0),
        ("用量依存性があるか", 1, 0, 0),
        ("類似薬で既往があるか", 1, 0, 0),
        ("客観的所見で確認されたか", 1, 0, 0),
    ]

    total_score = 0
    assessment = []
    for q, yes_score, no_score, dk_score in questions:
        # 実際のケースデータから判定
        answer = case_data.get(q, "dk")
        if answer == "yes":
            score = yes_score
         answer == :
            score = no_score
        :
            score = dk_score
        total_score += score
        assessment.append({: q, : answer, : score})

     total_score >= :
        category = 
     total_score >= :
        category = 
     total_score >= :
        category = 
    :
        category = 

     {
        : total_score,
        : category,
        : assessment,
    }

7. EBGM (Empirical Bayes Geometric Mean)

def calculate_ebgm(contingency_df, shrinkage_prior=0.5):
    """
    EBGM (Multi-item Gamma Poisson Shrinker) による
    ベイジアンシグナル検出。FDA OPIS で使用。

    EBGM = exp(E[log(λ)|N])
    EB05 = EBGM の下側 5% 信頼限界
    """
    results = []
    N_total = contingency_df[["a", "b", "c", "d"]].sum().sum()

    for _, row in contingency_df.iterrows():
        a = row["a"]
        E = ((row["a"] + row["b"]) * (row["a"] + row["c"])) / N_total
        if E > 0:
            # 簡易 EBGM (full GPS は EM で混合ガンマ推定)
            ebgm = (a + shrinkage_prior) / (E + shrinkage_prior)
            # EB05 近似 (Poisson 下限)
            from scipy.stats import poisson
            eb05 = poisson.ppf(0.05, a + shrinkage_prior) / (E + shrinkage_prior)
        else:
            ebgm, eb05 = 0, 0

        results.append({
            "pt": row["pt"],
            "observed": a,
            "expected": round(E, 3),
            "ebgm": round(ebgm, 3),
            "eb05": round(eb05, 3),
            "signal_ebgm": eb05 >= 2,  # EB05 ≥ 2 がシグナル基準
        })

    return pd.DataFrame(results).sort_values(, ascending=)

ebgm_results = calculate_ebgm(signals)
()

8. 安全性シグナルレポート生成

import json

def generate_pv_report(target_drug, signals_df, ebgm_df, output_dir="results"):
    """安全性シグナルレポートの統合生成"""

    # 統合シグナル判定
    combined = signals_df.merge(ebgm_df[["pt", "ebgm", "eb05", "signal_ebgm"]], on="pt")
    combined["consensus_signal"] = (
        combined["signal_prr"] & combined["signal_ror"] & combined["signal_ebgm"]
    )

    report = {
        "drug": target_drug,
        "analysis_date": pd.Timestamp.now().isoformat(),
        "total_reports": int(signals_df["a"].sum()),
        "unique_pts_analyzed": len(signals_df),
        "signals_prr": int(signals_df["signal_prr"].sum()),
        "signals_ror": int(signals_df["signal_ror"].sum()),
        "signals_ic": int(signals_df["signal_ic"].sum()),
        "signals_ebgm": int(ebgm_df["signal_ebgm"].sum()),
        "consensus_signals": int(combined["consensus_signal"].sum()),
        "top_signals": combined[combined["consensus_signal"]].nlargest(20, ).to_dict(),
        : {
            : ,
            : {
                : ,
                : ,
                : ,
                : ,
            },
        },
    }

     (, )  f:
        json.dump(report, f, indent=, default=)

    
    md = 
    md += 
    md += 
    md += 
    md += 
    md += 
    md += 
    md += 
    md += 
    md += 
    md += 
    md += 
    md += 
     s  report[]:
        md += 

     (, )  f:
        f.write(md)

     report

---

Best Practices

1. 複数手法のコンセンサス: PRR/ROR/IC/EBGM を併用し、2 手法以上で一致したシグナルを優先
2. MedDRA PT レベルで集計: LLT は粒度が細かすぎ、SOC は粗すぎる
3. 最小報告基準 N≥3: 少数報告の偽陽性を防ぐ
4. Weber 効果に注意: 新薬発売直後は報告バイアスが大きい
5. Notoriety Bias を考慮: メディア報道後に報告が急増する可能性
6. 重複報告の除去: FAERS は重複が多い（約 10-15%）。Case ID ベースで最新版を保持
7. 適応症の交絡: indication-reaction の混同に注意

Completeness Checklist

• FAERS データ取得と前処理完了
• MedDRA 階層マッピング適用
• PRR/ROR/IC/EBGM すべて算出
• シグナル閾値判定（コンセンサス方式）
• Time-to-Onset 分布分析
• 人口統計層別化（年齢・性別・転帰）
• 因果関係評価（Naranjo / WHO-UMC）
• 安全性シグナルレポート（JSON + Markdown）生成

References

Output Files

ファイル	形式	生成タイミング
results/pv_signal_report.json	シグナル検出結果（JSON）	不均衡分析完了時
results/pv_signal_report.md	シグナルレポート（Markdown）	レポート生成時
figures/pv_temporal_trend.png	時系列トレンド図	トレンド分析時
figures/pv_demographics.png	人口統計分布図	層別化分析時

利用可能ツール

ToolUniverse SMCP 経由で利用可能な外部ツール。

カテゴリ	主要ツール	用途
FAERS	FAERS_count_reactions_by_drug_event	有害事象カウント
FAERS	FAERS_calculate_disproportionality	PRR/ROR/IC 不均衡分析
FAERS	FAERS_stratify_by_demographics	年齢・性別・国別層別化
FDA	FDA_get_adverse_reactions_by_drug_name	添付文書副作用情報
DailyMed	DailyMed_search_spls	添付文書検索
DailyMed	DailyMed_parse_adverse_reactions	副作用テーブル抽出
PharmGKB	PharmGKB_get_dosing_guidelines	PGx 用量ガイドライン
CPIC	CPIC_get_guidelines	CPIC ガイドライン取得

参照スキル

スキル	連携
scientific-survival-clinical	← 臨床安全性解析・有害事象グレーディング
scientific-statistical-testing	← χ² 検定・多重比較補正
scientific-drug-target-profiling	← 標的プロファイル・薬理学的背景
scientific-admet-pharmacokinetics	← 毒性予測・代謝経路情報
scientific-clinical-decision-support	→ シグナル情報の臨床意思決定への反映
scientific-deep-research	← 安全性文献の深層リサーチ
scientific-clinical-trials-analytics	← 臨床試験データベース照会
scientific-regulatory-science	→ FDA/FAERS 規制データ統合
scientific-pharmacogenomics	← PGx 代謝型別安全性評価