研究人员使用人工智能工具来加快有关药物过量死亡的关键信息
加州大学洛杉矶分校的一项新研究发现，基于计算机算法的自动化过程可以读取法医死亡证明的文本，可以大大加快过量死亡的数据收集，这反过来可以确保比目前使用的系统更快速的公共卫生响应时间。
这项分析将于8月8日发表在同行评议杂志上JAMA网络开放该公司使用人工智能工具快速识别导致过量死亡的物质。
“美国吸毒过量危机是美国人死亡的头号原因年轻的成年人但直到几个月后，我们才知道过量死亡的实际数字，”加州大学洛杉矶分校大卫·格芬医学院传染病学部医学助理教授、该研究的负责人大卫·古德曼-梅扎博士说。“我们也不知道我们社区吸毒过量的人数，因为快速发布的数据最多只能在州一级获得。我们需要能够在地方层面快速获取这些数据的系统，以便公共卫生部门能够做出反应。机器学习和自然语言处理可以帮助弥合这一差距。”
就目前情况而言，记录过量用药数据包括几个步骤，首先是医学检查还有验尸官，他们确定死因并记录疑似病例吸毒过量在死亡证明包括导致死亡的药物。这些证书包括非结构化文本，然后被发送到地方司法管辖区或疾病控制和预防中心(CDC)，由CDC根据《疾病和相关健康问题国际统计分类第十版》(ICD-10)对证书进行编码。这个编码过程很耗时，因为它可能是手动完成的。因此，从死亡日期到报告死亡人数之间有相当长的滞后时间，这延缓了监测数据的发布。这反过来又减缓了公共卫生响应。
更复杂的问题是，在这个系统下，不同用途和效果的不同药物被聚合在同一个代码下——例如丁丙诺啡，一种用于治疗的部分阿片类药物阿片类药物使用障碍和合成阿片类药物芬太尼都列在相同的ICD-10代码下。
在这项研究中，研究人员使用“自然语言处理”(NLP)和机器学习分析了来自康涅狄格州和美国9个县的2020年全年近35500份死亡记录:库克(伊利诺伊州);杰弗逊(阿拉巴马州);约翰逊，丹顿，塔兰特和帕克(德克萨斯州)，密尔沃基(威斯康星州)，以及洛杉矶和圣地亚哥。他们研究了如何结合NLP计算机算法理解文本，并机器学习可以自动破译大量数据的精度和准确性。
他们发现，当年记录的8738例过量死亡中，最常见的特定物质是芬太尼(475854%)、酒精(286633%)、可卡因(224726%)、甲基苯丙胺(187621%)、海洛因(161318%)、处方阿片类药物(119714%)和任何苯二氮平类药物(107612%)。其中，在这种方法下，只有苯二氮卓类药物的分类是次优的，其他的分类是完美或接近完美的。
古德曼-梅扎说，最近疾病预防控制中心发布了死亡后不到四个月的初步过量数据。
他说:“如果这些算法嵌入法医办公室，时间就可以缩短到毒理学测试完成后，也就是死亡后大约三周。”
剩下的过量死亡是由于其他物质，如安非他命，抗抑郁药，抗精神病药，抗组胺药，抗惊厥药，巴比妥酸盐，肌肉松弛剂，和致幻剂。研究人员指出，该研究的一些局限性，主要是该系统没有测试不太常见的物质，如抗惊厥药或其他设计药物，所以它是否适用于这些尚不清楚。此外，考虑到模型需要经过训练才能依赖大量数据来进行预测，系统可能无法检测出正在出现的趋势。
但是很快准确的数据研究人员写道，需要制定和实施干预措施来遏制过量使用，并且“应该将诸如此类的NLP工具集成到数据监测工作流程中，以增加向公众、研究人员和政策制定者传播数据的速度。”
除了Goodman-Meza，该研究的共同作者还有UCLA的Chelsea Shover、Jesus Medina博士、Amber Tang博士、Steven Shoptaw和Alex Bui。
