Los puntos clave no están disponibles para este artículo en este momento.
En diversas aplicaciones del mundo real, es muy útil la minería de episodios no anticipados donde ciertos patrones de eventos conducen inesperadamente a resultados, por ejemplo, tomar dos medicamentos juntos a veces causa una reacción adversa. Estos episodios no anticipados son generalmente inesperados e infrecuentes, lo que hace que las técnicas de minería de datos existentes, principalmente diseñadas para encontrar patrones frecuentes, sean ineficaces. En este artículo, proponemos reglas de asociación temporal inesperada (UTARs) para describirlos. Para manejar la inesperabilidad, introducimos una nueva medida de interés, el apalancamiento residual, y desarrollamos una nueva técnica de exclusión basada en casos para su cálculo. Al combinarlo con una técnica de preparación de datos orientada a eventos para manejar la infrecuencia, desarrollamos un nuevo algoritmo MUTARC para encontrar UTARs por pares. El MUTARC se aplica para generar señales de reacciones adversas a medicamentos (ADR) a partir de bases de datos administrativas de salud del mundo real. Este algoritmo selecciona con fiabilidad no solo seis ADRs conocidas, sino también otra ADR, la flucloxacilina, que podría causar hepatitis, de la cual nuestros diseñadores de algoritmos y ejecutores de experimentos no habían tenido conocimiento antes de los experimentos. El MUTARC se desempeña de manera mucho más efectiva que las técnicas existentes. Este artículo ilustra claramente el gran potencial a lo largo de la nueva dirección de generación de señales de ADR a partir de bases de datos administrativas de salud.
Jin et al. (Tue,) estudiaron esta cuestión.