本書依托多源藥物大數(shù)據(jù)，重點(diǎn)對(duì)藥物不良事件預(yù)測(cè)以及監(jiān)測(cè)存在的問(wèn)題進(jìn)行探索研究。首先，針對(duì)藥理學(xué)網(wǎng)絡(luò)模型未考慮藥物不良事件關(guān)聯(lián)在數(shù)據(jù)集中的頻率和樣本量的問(wèn)題，提出了數(shù)據(jù)挖掘算法與藥理學(xué)網(wǎng)絡(luò)模型相結(jié)合的藥物不良事件預(yù)測(cè)方法。其次，針對(duì)表型特征以及分類器在藥物不良事件預(yù)測(cè)研究中的重要性，從減小冗余信息和提取高效特征的角度出發(fā)，詳細(xì)研究復(fù)雜網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的鏈路預(yù)測(cè)方法以及機(jī)器學(xué)習(xí)方法，提出了基于特征融合預(yù)測(cè)網(wǎng)絡(luò)模型(FFPNMS)的藥物不良事件預(yù)測(cè)方法。最后，針對(duì)現(xiàn)有藥物數(shù)據(jù)挖掘算法存在的超參數(shù)問(wèn)題，提出了一種基于預(yù)測(cè)網(wǎng)絡(luò)模型的貝葉斯信號(hào)監(jiān)測(cè)算法(ICFFPNM)，提升了監(jiān)測(cè)的準(zhǔn)確性，有效降低了監(jiān)測(cè)誤差。