利用深度学习识别服用阿片类药物患者的阿片使用障碍风险
机器学习
2020-10-12 v1 计算机与社会
机器学习
摘要
美国正经历阿片类药物危机，每年有超过 1000 万 12 岁及以上阿片误用者。识别高阿片使用障碍 (OUD) 风险患者有助于早期临床干预以降低 OUD 风险。我们的目标是通过机器学习与深度学习方法分析电子健康记录，在阿片处方使用者中预测 OUD 患者。这将帮助我们更好地理解 OUD 的诊断，为阿片危机提供新见解。2008 年 1 月 1 日至 2017 年 12 月 31 日间，从 Cerner Health Facts 数据库提取曾被开具含活性阿片成分药物患者的电子健康记录。应用长短期记忆 (LSTM) 模型基于最近五次就诊预测未来 OUD 风险，并与逻辑回归、随机森林、决策树及稠密神经网络比较。预测性能以 F-1 分数、精确率、召回率与 AUROC 评估。我们的时序深度学习模型给出有前景的预测结果，优于其他方法，F1 分数为 0.8023，AUCROC 为 0.9369。该模型可识别 OUD 相关药物与生命体征为预测重要特征。基于 LSTM 的时序深度学习模型利用患者既往电子健康记录预测 OUD 有效且只需极少领域知识，有潜力改进早期干预与预防的临床决策支持以对抗阿片危机。
引用
@article{arxiv.2010.04589,
title = {Identifying Risk of Opioid Use Disorder for Patients Taking Opioid Medications with Deep Learning},
author = {Xinyu Dong and Jianyuan Deng and Sina Rashidian and Kayley Abell-Hart and Wei Hou and Richard N Rosenthal and Mary Saltz and Joel Saltz and Fusheng Wang},
journal= {arXiv preprint arXiv:2010.04589},
year = {2020}
}
备注
20 pages, 6 figures