利用机器学习理解阿片类药物流行的驱动因素
机器学习
2021-12-07 v2 应用统计
摘要
近年来，美国经历了阿片类药物流行，药物过量死亡人数空前。研究发现此类过量死亡与社区级特征相关，从而为识别有效干预措施提供了机会。通常，使用普通最小二乘法（OLS）或最大似然估计（MLE）等技术来记录在解释此类不良结果时显著的社区级因素。然而，这些技术较难确定混杂因素之间的非线性关系。因此，在本研究中，我们应用基于机器学习的技术来识别特拉华州社区的阿片类风险，并使用 Shapley Additive explanations（SHAP）探索这些因素的相关性。我们发现与社区环境相关的因素，其次是教育和犯罪，与较高的阿片类风险高度相关。我们还探讨了这些相关性随年份的变化，以理解流行的动态变化。此外，我们发现，由于近年来流行已从合法（即处方阿片类）药物转向非法（例如海洛因和芬太尼）药物，环境、犯罪和健康相关变量与阿片类风险的相关性显著增加，而经济和社会人口变量的相关性下降。教育相关因素的相关性从一开始就有较高水平，且近年来略有上升，表明需要提高对阿片类药物流行的认识。
引用
@article{arxiv.2108.07301,
title = {Understanding the factors driving the opioid epidemic using machine learning},
author = {Sachin Gavali and Chuming Chen and Julie Cowart and Xi Peng and Shanshan Ding and Cathy Wu and Tammy Anderson},
journal= {arXiv preprint arXiv:2108.07301},
year = {2021}
}
备注
Accepted to IEEE International Conference on Bioinformatics & Biomedicine 2021