外媒 | 机器学习模型估计处方阿片类药物不良反应风险-普瑞纯证

一项发表在JAMA Network Open上的研究发现，利用机器学习（ML）模型可以准确估计阿片类药物不良反应风险，这有助于加强阿片类药物监管和处方药物监测计划（PDMP）。阿片类药物危机已经成为国际上的一项重大公共卫生负担，其中很大一部分阿片类药物相关的不良事件源于处方阿片类药物。美国疾病控制和预防中心（CDC）指出，从1999年到2020年，超过263,000人死于涉及处方阿片类药物的过量用药，其中涉及处方阿片类药物的过量死亡在那十年间增加了近五倍。该研究指出，加拿大也面临着处方阿片类药物使用的类似问题，研究表明该国拥有世界上最高的阿片类药物处方率之一，这在推动其阿片类药物危机方面起着重要作用。 许多防止阿片类药物相关不良结果的努力都包括阿片类药物监管和PDMP。一些公共和人口健康利益相关者表现出了整合基于ML的风险预测以支持处方阿片类药物监管方法的兴趣，但作者表示，他们不知道在该研究发表时加拿大有哪些卫生管辖区使用ML方法进行阿片类药物监管。为了展示将ML纳入阿片类药物监管努力的潜在价值，研究人员开发并验证了一个XGBoost ML模型的概念证明，供阿尔伯塔省医师和外科医生学院（CPSA）使用，该模型可以估计在加拿大阿尔伯塔省进行阿片类药物分配后30天内出现不良结果的风险。根据该研究，CPSA在处方阿片类药物监管方面发挥着重要作用，监督“Tracked Prescription Program（TPP）Alberta”，这是一个基于省份的PDMP。为了展示ML模型的潜在效用，研究人员仅使用与TPP Alberta将可以访问的本地人口水平数据类型相对齐的处方药记录来构建和训练模型。该模型利用了阿尔伯塔省853,324名成年人的行政数据，这些人在该省的社区药房中至少接受了一次阿片类药物分配，这代表了145,016个报告的结果事件和从2018年1月1日到2019年12月31日的610万次阿片类药物分配。

版权声明 本网站所有注明“来源：普瑞纯证”或“来源：pureFDA”的文字、图片和音视频资料，版权均属于普瑞纯证网站所有。非经授权，任何媒体、网站或个人不得转载，否则将追究法律责任。取得书面授权转载时，须注明“来源：普瑞纯证”。其它来源的文章系转载文章，本网所有转载文章系出于传递更多信息之目的，转载内容不代表本站立场。