机器学习预测个体患者阿片类药物使用障碍的风险
![Receiver operating characteristics curve and confusion matrix. Receiver operating characteristics curve and confusion matrix for prediction of OUD in the testing cohort for OUD cases. True Positive Rate is the rate model predicts a positive OUD label correctly, equivalent to Sensitivity, whereas False Positive Rate is the rate model predicts a positive OUD label incorrectly, equivalent to 1—Specificity. AUC stands for area under the curve. Credit: The Canadian Journal of Psychiatry (2022). DOI: 10.1177/07067437221114094 机器学习预测个体患者阿片类药物使用障碍的风险](https://scx1.b-cdn.net/csz/news/800a/2022/machine-learning-predi-4.jpg)
阿尔伯塔省的一组研究人员研究发现,临床医生和政策制定者在预测阿片类药物使用障碍方面可能会得到人工智能的帮助。
研究人员创建并测试了一个机器学习模型,通过分析人口水平的行政健康数据,可靠地预测个体患者患这种疾病的风险。每次患者与医疗保健系统交互时,都会创建管理健康数据——例如,通过看医生、获得健康信息诊断测试住院或开处方。
阿片类药物使用障碍是一种可治疗的慢性疾病,患者无法控制自己的阿片类药物使用据美国疾病控制与预防中心(U.S. Centers for Disease Control and Prevention)称,这种药物会导致工作或家庭困难,有时甚至会导致过量服用和死亡。截至今年8月底,艾伯塔省有976例与阿片类药物有关的死亡。阿片类药物使用障碍患者最初要么通过止痛处方,要么通过非法药物市场接触到这些药物。
预测有助于预防
“大约四分之一的阿片类药物使用者会出现阿片类药物使用障碍,其中8%到12%的人会患上阿片类药物使用障碍慢性疼痛会发展OUD;因此,在这一人群中预测和预防OUD对于减少伤害至关重要,”研究人员在他们的论文中写道。
加拿大计算精神病学研究主席、精神病学副教授、首席研究员曹博(Bo Cao)说:“大多数人在诊断前都与卫生系统有过互动,这为我们提供了数据,可以让我们预测并潜在地预防一些病例。”
的机器学习模型分析了2014年至2018年期间接受阿片类药物处方的近70万艾伯塔省患者的健康数据,交叉引用了医生和医生数量等62个因素急诊室就诊诊断和社会人口学信息。
研究小组发现,阿片类药物使用障碍的主要风险因素包括阿片类药物使用频率、高剂量和其他物质使用障碍史等。他们确定,在2019年对31.6万名新样本患者进行验证时,该模型预测高危患者的准确率为86%。
预测可能性,而不是标注
“重要的是,该模型对某人是否会患上阿片类药物使用障碍的预测被解释为一种风险,而不是一个标签,”精神病学博士后杨柳说。“这是要交给别人的信息临床医生他们才是真正做出诊断的人。”
曹说,该模型的下一阶段测试将在现实生活中进行临床,包括临床医生和有临床经验的人阿片类药物使用障碍.
曹说:“大多数时候,临床医生都很忙,可能没有时间去检查每个人的健康数据。”“这个模型将帮助临床医生根据全面的现有数据做出最循证的决策。这就是它背后的动机。”
曹的研究团队已经使用机器学习模型来预测基于大脑扫描和认知数据的精神分裂症和双相情感障碍。这是他们第一次使用管理健康数据。曹说,除了帮助临床医生识别高风险患者外,该模型还可以提供帮助政策制定者为需求较高的地区规划医疗资源。
这项研究发表在加拿大精神病学杂志.