機器學習演算法預測阿片類藥物過量風險|矽谷最新
更多精彩，敬請關注矽谷洞察官方網站（http://www.svinsight.com）
根據JAMA Network Open上發表的一項新研究，使用管理數據的機器學習演算法可以成為更準確識別阿片類藥物過量風險的可行、有價值的工具。
來自位於Gainesville的弗羅里達大學的藥學博士Wei-Hsuan Lo-Ciganic和她的研究團隊發現，機器學習演算法在預測和分層分析阿片類藥物過度使用方面表現得十分出色，尤其是通過最低過量風險識別低風險的亞群方面。
Lo-Ciganic告訴Inside Digital Health?說，機器學習演算法比傳統演算法更好，因為這些演算法考慮了更複雜的相互作用，同時可以識別傳統方法看不見的隱藏關係。
研究人員對2011年1月至2015年12月期間的醫療保險受益人進行5%的隨機抽樣後，使用處方葯和醫療索賠。研究小組確定了研究期間付費服務的成年受益人，他們是沒有患癌症的美國居民，同時至少接受了一種阿片類藥物處方。
研究小組編製了268種阿片類藥物過量預測的候選指標，包括每日嗎啡總毫克當量和平均毫克當量、阿片類藥物累積和持續使用時間、阿片類藥物處方總量和有效成分。
這群人被隨機平均分為訓練樣本、測試樣本和驗證樣本。預測演算法使用五種常使用的機器學習方法開發和測試，如多元邏輯回歸、最小絕對收斂、選擇運算元類型回歸、隨機森林、梯度提升機和深度神經網路。
預測結果與2019年醫療保險和醫療服務中心的阿片類藥物安全測量措施對比。其中，安全測量措施旨在確定在醫療保險接受者中的高風險個人和阿片類藥物使用行為。
為了發現高風險預測患者和低風險預測患者被預測為高風險的程度，研究人員比較了在DeLong Test的不同方法下C統計量和精準回憶曲線的不同之處。
低風險病人的預測分數低於優化閾值，中度風險患者的預測分數在優化閾值和10%之間，高風險患者的預測得分在前10%。
結果表明，深度神經網路和梯度提升機的性能最好，深度神經網路的C統計量為0.91，梯度提升機的統計量為0.90。
使用梯度提升機演算法，77.6%的樣本被劃分為低風險，11.4%樣本被劃分為中度風險，11%的樣本被劃分為高風險。使用深度神經網路演算法，76.2%的人被預測為低風險，而99.99%的人沒有過量服用阿片類藥品。
Lo-Ciganic說，根據這項研究的令人鼓舞的結果，下一步將會是開發軟體與健康系統整合，或者與電子健康記錄相整合，從而看這些演算法能否用於真實生活，並幫助臨床醫生識別高危人群。
原文作者：Samara Rosenfeld
更多精彩，敬請關注矽谷洞察官方網站（http://www.svinsight.com）
TAG:矽谷密探 |