用于预测阿片类药物使用障碍风险的大数据分析框架

美国处方阿片类药物相关过量使用已达到流行病级别，造成了前所未有的全国性危机。部分原因在于缺乏帮助医生预测患者是否会发展为阿片类药物使用障碍风险的工具，这加剧了危机。关于如何将机器学习应用于大数据平台以确保对阿片类药物进行知情、持续和审慎的处方，特别是针对商业保险人群，目前知之甚少。本研究探索了马萨诸塞州全付款人索赔数据（一个去标识化的医疗数据集），并提出了一个机器学习框架，用以考察初次使用者如何发展为阿片类药物使用障碍。我们采用多种特征选择技术，从类别不平衡的分析样本中识别与阿片类药物使用障碍相关的重要人口统计学和临床特征。随后，我们比较了四种知名机器学习算法——逻辑回归（Logistic Regression）、随机森林（Random Forest）、决策树（Decision Tree）和梯度提升（Gradient Boosting）——预测阿片类药物使用障碍风险的预测能力。研究结果表明，随机森林模型在确定特征方面优于其他三种算法，其中部分特征与先前的临床发现一致。此外，在具有更高预测准确性的同时，所提出的框架能够提取一些风险因素，这些将为现有文献中已知的内容增添重要知识。我们预期本研究将帮助医疗从业者改进当前的阿片类药物处方实践，并有助于遏制阿片类药物成瘾和过量使用日益增长的速率。