基于异质与缺失数据的药物过量点过程建模
机器学习
2023-02-14 v1 机器学习
定量方法
摘要
过去十年间，美国阿片类药物过量率上升，反映出一场重大的公共卫生危机。对药物与阿片类热点（即少量时空内集中了大量事件）进行建模与预测，有助于更好地集中有限的社会与卫生服务资源。本工作中，我们提出一个用于药物过量聚类的时空点过程模型。输入模型的数据来自两个异质来源：1）高量的急救医疗服务（emergency medical calls for service, EMS）记录，含位置与时间，但无非致命过量类型的资讯；2）验尸官提供的致命过量毒理学报告，含位置及毒理学筛查所得关于死亡时存在药物的高维信息。我们首先使用非负矩阵分解将毒理学报告聚为药物过量类别，随后开发了一种 EM 算法来整合这两类异质数据，其中为 EMS 数据推断对应过量类别的标记，并利用高量 EMS 数据更准确地预测药物过量死亡热点。我们将该算法应用于印第安纳波利斯的药物过量数据，表明定义在整合数据上的点过程优于仅使用同质 EMS 数据（AUC 由 .72 提升至 .8）或验尸官数据（AUC 由 .81 提升至 .85）的点过程。我们还研究了在控制可能同样导致聚类的背景率外生波动下，过量事件在多大程度上具有传染性（作为过量类型的函数）。我们发现药物与阿片类过量死亡表现出显著的激发性，分支比介于 .72 至 .98 之间。
引用
@article{arxiv.2010.06080,
title = {Point Process Modeling of Drug Overdoses with Heterogeneous and Missing Data},
author = {Xueying Liu and Jeremy Carter and Brad Ray and George Mohler},
journal= {arXiv preprint arXiv:2010.06080},
year = {2023}
}