用于药物过量监测的机器学习

我们描述了两种最近提出的用于发现致命意外药物过量中新兴趋势的机器学习方法。高斯过程子集扫描能够实现时空数据中新兴模式的早期检测，同时考虑数据的非独立同分布性质以及检测细微模式需要跨多个空间区域和多个时间步整合信息的事实。我们将此方法应用于纽约市大都会区每月阿片类药物过量死亡的17年县级聚合数据，显示出与典型异常检测方法相比，所发现模式的效用具有明显优势。为检测并刻画数据中影响子群体（包括地理、人口统计和行为模式，例如涉及哪些药物组合）的新兴过量模式，我们将多维张量扫描应用于宾夕法尼亚州阿勒格尼县8年的个案级过量数据。我们发现了先前未识别的过量模式，这些模式揭示了不寻常的人口统计集群，显示了药物立法的影响，并展示了早期检测和针对性干预的潜力。这些早期检测过量模式的方法可以为预防和应对工作以及理解政策变化的影响提供信息。