摘要
阿片类药物的流行继续因过量服用和沉重的社会和经济负担造成生命损失。许多发展出问题阿片类药物使用(POU)的人是在接触处方阿片类镇痛药后这样做的。因此,准确识别和分类POU的危险因素非常重要。在这篇综述中,我们讨论了POU的病因学,并强调了识别其危险因素的新方法。这些方法包括应用多基因风险评分(PRS)和不同的机器学习(ML)算法,与来自电子健康记录(EHR)、临床记录、患者人口统计数据和数字足迹的数据结合使用。这些类型的数据和方法的实施和协同作用可以通过增加患者相关危险因素的知识库,大大有助于降低POU的发生率和阿片类药物相关的死亡率,这可以帮助改善阿片类镇痛药的处方实践。
背景
有问题的阿片类药物使用(POU)的流行及其后果仍然是严重的社会问题。在2019年美国发生的7.1万例过量死亡中,超过70%与阿片类药物有关[1,2].虽然大多数致命阿片类药物过量涉及非法制造和/或获得的阿片类药物[2],就像芬太尼和海洛因一样,大多数滥用阿片类药物的人最初会被开阿片类药物治疗疼痛[3.,4,5].因此,开发有效的方法来识别与医疗保健机构中POU启动相关的风险因素,有助于更安全的阿片类药物处方实践,并减少长期和大量使用阿片类药物的有害后果。
与确定POU风险因素相关的主要挑战部分源于概念本身的复杂性。POU由许多术语描述,每个术语都存在严重程度的连续区间,阿片类药物滥用被认为是最不严重的,阿片类药物依赖通常被认为是最严重的[6].然而,这在文献中有所不同[7].除了这些术语外,还有《精神障碍诊断与统计手册第五版》(DSM-5)阿片类药物使用障碍(OUD)的临床诊断,其中包含了POU连续统中的术语,并根据满足的标准数量提供了严重程度[8].尽管OUD诊断包含POU连续体,但在文献和患者医疗记录中,滥用、滥用、成瘾和依赖等术语仍然被广泛使用,并且可以描述伴有或不伴有OUD诊断的POU [9,10,11].由于术语的模糊性和术语之间的潜在重叠,报道的与pouu相关的性状的流行率差异很大[7,9,10]而通常未被报道或漏报[12,13,14,15].然而,尽管描述和量化POU作为健康决定因素的挑战带来了困难,许多接触阿片类镇痛药的人在一定程度上出现了问题性使用。
确定POU风险因素的第二个困难来自风险来源本身。POU表型的变异有三个来源:遗传变异、环境变异和两者之间的相互作用[16],其中前两项已被证明是pouou流行和严重程度的重要因素[17,18,19,20.,21,22,23,24,25,26,27].然而,尽管人类生活在复杂的生活中,重要的互动和事件经常发生,但潜在的、可能是重要的风险来源通常被忽视或没有被认识到。28,29,30.].风险的遗传和环境维度的扩大产生了许多需要考虑的来源,包括组学数据、电子医疗记录、人口统计和个人历史,以及数字足迹,其中包括但不限于社交媒体活动(图2)。1).因此,捕捉个体更大的表型和环境特征有可能大大改善POU的风险评估。
POU作为一种可测量的特征,其复杂性从数据科学的角度提出了许多挑战,因为模糊的POU相关术语及其复杂但缺乏探索的根本原因[6,7,28,30.,31].尽管人工智能、生物信息学和计算生物医学领域最近取得了许多进展,但这些问题使得强大的数字方法难以实现。在这篇综述中,我们讨论了在评估疾病风险时考虑所有可用数据来源的重要性,如何将POU作为生物医学研究中感兴趣的特征进行探索,以及可用于探索复杂和多样化数据集的新型数字方法和技术。我们的目标是说明如何多样化和扩展数据采集和方法,可以改善POU风险评估和预测,潜在地减轻POU对患者、家庭和社会的不利影响。
复习的方法
为了汇总文献中POU的重要预测因子,我们使用谷歌Scholar中的搜索词“阿片类药物使用障碍的风险因素”和“阿片类药物使用障碍的预测因子”,在这两个搜索词的前100个搜索结果中确定过去10年的科研文章和临床研究。我们使用这些信息来创建图。2(橙色酒吧)。包括图中所示的基因/位点信息。2(蓝条),我们整合了以前综述中实现的文献搜索协议的数据[31].
在我们的文献检索中,精神障碍和物质使用障碍是问题阿片类药物使用(POU)表型的重要指标,柱状图(橙色)和精神障碍和物质使用障碍与POU之间共享的基因/位点数量的柱状图(蓝色)(见参考文献[28为方法论)。共享的基因/位点关联反映了每种疾病作为POU的重要预测因素的相对代表性。抑郁、尼古丁和酒精使用障碍以及焦虑障碍与POU表现出高度共享的遗传责任,是POU最重要的指标。然而,尽管POU预测较低,但精神分裂症与POU表现出高度共享的遗传责任
POU的危险因素
POU的风险因素可能很大,包括可能不明显或不易获得的数据来源。然而,危险因素可能源于五个基本来源(图2)。1):包括精神障碍和物质使用障碍(包括以前使用阿片类药物)在内的终生和当前精神疾病共患病[32,33,34]、来自电子病历数据和临床记录的病史[35,36]、环境和社会因素,包括人口统计和个人历史[28]、包括社交媒体和生物识别在内的数字足迹[37,38,39],组学数据包括遗传、表观遗传、转录组和其他大规模生物学数据[19,20.,21,22,23,24,25,26,27].在无花果。1,拼图图像的右侧代表医学/生物表型,左侧主要代表环境特征。在中心,组学数据连接了概念图像的两边,说明患者的基因型可能与环境和更大的表型具有协同和/或因果关系。
在上述信息来源中,共病期和当前的精神疾病诊断可能是POU及其发展的最重要指标。例如,烟草使用障碍(TUD)在药物辅助治疗计划的POU患者人群中的共病率高达98% [40,41,42,43].TUD也是POU常见的发病前危险因素,与阿片类药物使用的开始和持续以及OUD的发展有关[44].可卡因使用障碍也与POU有类似的关系[45,46]、酒精使用障碍[47],以及吸食大麻[48].情绪和焦虑障碍通常也与POU有关。抑郁症本身就与阿片类药物复发的风险有关[34]、滥用阿片类药物[49],诊断为OUD [50],以及过量服用oud导致死亡的风险[51],而焦虑症与阿片类药物复发有关[34]、非医疗用途[52],以及误用[53].数字2(橙色柱)说明在我们的文献检索标准中,精神疾病被发现为POU表型的重要指标的频率(见回顾方法)[10,17,44,47,49,50,52,53,54,55,56,57,58,59,60,61,62,63,64,65,66,67,68,69,70,71,72,73,74,75,76,77,78,79,80,81].抑郁、尼古丁使用/吸烟状况、酒精使用和焦虑障碍是POU最常见的预测因素(图。2;橙色酒吧)。除了这些合并症作为POU的危险因素外,未来POU发展的最强指标是过去使用阿片类药物或POU的情况[10,17,44,47,49,50,52,53,54,55,56,57,58,59,60,61,62,63,64,65,66,67,68,69,70,71,72,73,74,75,76,77,78,79,80,81].由于精神疾病与POU之间关系的性质,药物使用/滥用史和精神疾病虽然有时难以获得,但却是POU风险评估的重要数据来源。
导致POU风险的其他主要因素是个体的遗传和表观遗传特征[22,24,27,82,83].通过全基因组关联研究(GWAS)和候选基因研究,几种遗传变异与阿片类药物的使用和依赖有关。其中最重要的是位于编码μ-阿片受体1 (OPRM1),这些基因可能在POU的遗传学和药物遗传学方面发挥作用[22,24,27,82].结构和表观遗传变异也与POU有关。例如,基因中的拷贝数变异KCND2而且MAP3K4与阿片类药物依赖有关[83]和阿片类暴露已被证明可诱导组蛋白乙酰化、组蛋白甲基化、DNA甲基化和非编码RNA表达的显著变化,这些变化共同具有影响许多基因靶点表达的能力[84].许多与各种POU表型相关的遗传变异也与其他精神疾病有关。数字2(蓝条)说明每种疾病有多少基因或位点也与POU表型相关[31].在某种程度上反映了文献中每种疾病作为POU重要预测因素的相对代表性(图。2;橙色条),与尼古丁使用、精神分裂症、抑郁症和酒精使用相关的基因与POU的共同遗传责任最强(图。2;蓝条)[31].虽然已经进行了大量研究,以确定导致POU的遗传因素和与其他疾病共享的遗传因素,但使用现代和可靠的方法正在发现新的变异,突出了在评估POU风险时收集高质量基因组数据的重要性[85].
患者的病史通常可通过EHR结构化数据和临床记录获得,可为POU风险评估提供广泛有用的信息。然而,电子病历数据和临床记录的结构和格式并不统一,可能会因医疗机构而有所限制和/或难以浏览[86,87].尽管如此,在考虑POU风险时,应尽可能多地收集每个患者的数据,因为与此相关的许多非生物预测因素包括教育水平、婚姻状况、收入、地理位置和保险状况[17,49,63,88].当然,也有POU风险的生物学预测因素,包括但不限于BMI、种族、年龄、性别、用药史、手术史、共病性疾病和内表型[17,49,50,51,88,89].内表型被定义为与疾病特征相关或有助于疾病特征的生理特征[89].例如,高血压的一种内显型是血压。临床记录也可以作为POU风险指标的可靠来源,因为它们可以捕获结构化EHR数据中无法获得的关键信息。在临床就诊期间,患者可能与医疗保健专业人员讨论可能与POU发展风险相关的主题,但在特定的EHR数据输入字段中无法捕获这些主题[36].如果这些信息以电子方式记录,自然语言处理(NLP)方法可以从类型化语言中识别出有助于制定风险评估协议的特征[64,90].其他潜在的风险来源可能来自住院期间的疼痛和精神健康评估,因为这两者的评级与POU有关[66,91,92].为捕捉这些类型的信息而设计的系统的一个例子是患者报告的结果测量信息系统®(PROMIS®),它可以生成包括愤怒、焦虑、抑郁、疼痛行为和疼痛干扰在内的几个指标的分数。如果有,这些类型的数据应纳入POU风险评估,因为精神健康和POU感知疼痛之间的关联强度。
也许对POU风险评估来说,最难以捉摸的数据来源来自个人的物理和数字环境。如上所述,个人生活的许多方面已被证明是POU的重要指标[17,18].这些信息大多无法在电子病历数据中获得,但可以通过临床记录、结构化评估或问卷调查或从社交媒体数据中获得。例如,从阿片类药物相关组的文本分析Reddit.com确定了OUD、阿片类药物复发和寻求康复行为的重要危险因素[39].然而,最引人注目的是,72%的旧病复发患者在10种可能的情感类别中有两种表现出强烈的情感语言——“快乐”和“消极”。这意味着复发与极端情绪有关,旨在支持情绪调节的治疗可以降低复发风险或增加阿片类药物使用[39].另一个例子是利用Twitter上超过9000个与阿片类药物相关的帖子和人口统计信息[37].使用NLP和ML分类,在宾夕法尼亚州被归类为与阿片类药物滥用相关的职位与实时过量死亡率之间发现了显著相关性[37].虽然这些方法很强大,但这些例子要么是匿名的,要么与患者的病史无关,因此很难用于临床情况下的POU风险评估。然而,来自Facebook的文本和人口统计数据与个人的EHR数据相关联,在各种ML算法中实现,以预测包括糖尿病、高血压、抑郁症和消化问题在内的医疗状况[38].此外,Facebook数据的加入显著提高了21种疾病类别中18种模型的预测精度[38].值得注意的是,在心理健康状况中,对焦虑、抑郁和精神病的预测显示出最大的改善[38].来自社交媒体的数据还可以提供对风险因素的额外洞察,这是电子病历数据无法做到的,因为患者的个人历史和日常经历的许多方面都无法在医疗记录中获得。这些研究说明了如何编码的社交媒体语言和人口数据,就像遗传变异一样,可以用作ML方法中的疾病因素。此外,对精神病学特征的预测意义表明,社交媒体数据在评估许多物质使用障碍(包括POU)风险的因素方面可能是强大的。38].最后,来自智能手表和手机应用程序等来源的生物特征数据可以深入了解患者的锻炼制度或睡眠时间表等。因为更多的体育活动与较少的阿片类药物使用有关[17]而大量使用阿片类药物与睡眠中断有关[93],生物特征数据可用于POU风险评估。将这些类型的数据与患者的病史联系起来,可以显著改善POU风险评估。
量化和分类POU
由于POU是一种广泛的表型,将其分类或量化其水平作为表型或响应变量具有挑战性。使用、误用、依赖、上瘾和滥用等术语没有普遍接受的标准,因此;通常不会转化为实验间有用的比较[7].然而,在OUD的情况下,因为它是一种临床诊断,它的存在或不存在或其严重程度都可以作为风险评估的有用表型。尽管如此,依赖OUD的诊断进行风险评估仍有局限性。首先是对疾病的诊断不足,导致无法发现风险因素和/或预测模型表现不佳[12,13,14,15].第二个限制是,不同临床医生或医疗机构对OUD诊断的标准和/或严重程度的解释存在差异[94].解决这一限制的一个可能的解决方案是阿片类药物暴露或使用的量化。虽然临床上有许多阿片类镇痛药,但各种阿片类镇痛药的剂量可以标准化为吗啡当量剂量(MED),也称为吗啡毫克当量日剂量(MEDD)或吗啡毫克当量(MME) [95].国际上现有的其他换算指标包括限定日剂量[96]及口服吗啡当量[97].这种方法的一个潜在缺点是MME没有解释个体之间的生物学、遗传或药代动力学差异,这突出了在进行风险评估时从不同来源收集数据的重要性,并将MME与OUD的临床诊断或其他可能存在的与pou相关的术语结合使用。
MME也优于OUD诊断或与pou相关的术语,特别是来自EHR的术语,因为它是一个连续变量。在ML管道中基于回归的方法中,连续变量在统计上更强大,并且可以转换为离散变量以利用基于分类的方法。离散变量,如OUD存在/不存在或由满足的标准衡量的严重程度,仅局限于基于分类的方法,因为它们不能固有地转换为连续变量。MME可以根据预先确定的剂量范围或在手术等医疗程序前后的变化增量转换为离散水平。
预测术后MME可能是手术成功的一个有力指标,因为择期手术的主要目标是减少患者的疼痛,从而减少MME。然而,许多患者在手术后会经历更大的疼痛[98],可能导致更高水平的MME。确定这类结果的因素可以帮助临床医生确定手术是否符合患者的最大利益,因为高水平的MME与阿片类药物过量死亡和阿片类药物相关毒性有关[81].随着人们对这一风险的认识不断提高,人们正在努力减少阿片类镇痛药的使用,例如,在手术指征时使用非甾体抗炎药或其他非阿片类镇痛药[99,One hundred.].除了MME之外,收集并包括患者在术前和术后提供的疼痛评级也很重要[92].这些数据可以与MME合并来预测手术后的疼痛反应,因为MME与疼痛呈正相关[98].
POU风险评估数字方法的进展与局限性
多基因风险评分
多基因风险评分(PRSs)是一种评估个体特定性状遗传风险的有效方法,也是一种有前途的疾病风险评估方法。关于POU的PRSs文献虽然有限,但正在增长。在最近一项对大型混合血统队列的研究中,计算了四种物质使用特征(酒精使用障碍、OUD、开始吸烟和终生使用大麻)的PRSs [101].在非洲裔美国人中,酒精使用障碍的PRS和在欧洲裔美国人中,酒精使用障碍、OUD和开始吸烟的PRS与他们各自的精神疾病诊断和统计手册(DSM)诊断和标准计数相关——突出了PRS的预测能力。这些PRSs的全表型关联研究(PheWAS)显示与其他物质使用表型的关联最多。例如,OUD的PRS与7种物质使用表型类别相关,其中最强的是DSM-5对烟草依赖的诊断。一项针对欧洲裔美国人的大型meta-GWAS发现了酗酒问题的基因位点,在酗酒问题与138种表型之间存在显著的遗传相关性[102].与其他酒精表型、烟草表型和包括抑郁症、精神分裂症和双相情感障碍在内的精神疾病的遗传相关性最高。这些结果强调了PRS在识别物质使用障碍风险和各种精神合并症之间共享的遗传责任方面的效用。
尽管PRS在识别和量化疾病风险方面具有潜在效用,但它有固有的局限性。许多研究的样本具有特定的祖先背景,这限制了PRS的适用性。尽管如此,将队列限制到特定的祖先背景是一种常见的做法,因为包括多个祖先群体,除非通过元分析,忽略了他们不同的遗传结构和等位基因频率[103].prs已被证明在不同人群中只能提供有限的效用[104].此外,当数据按社会经济地位、年龄和性别等特征分层时,即使在人口群体内,PRSs也可能存在显著差异[105].
由于为GWAS招募和评估大样本的困难,使用与基因组数据相关联的EHR数据进行PRS预测变得越来越普遍,这是由于可获得的表型的广泛阵列,可以进行研究的速度,以及潜在的高可重复性。然而,这些好处也伴随着挑战。最近的一项综述强调了将医疗记录与基因组生物库数据联系起来的一些挑战,以及如何限制或删除它们的考虑[89].潜在的困难包括普遍正确地定义疾病表型(例如,由于缺乏普遍认可的表型,这对POU来说可能很困难),国际疾病分类(ICD)代码系统的复杂性和冗余,使用仅代表一个祖先群体的数据集的GWAS总结统计的有限适用性,以及与常见变体相关的小效应量[89].然而,这些限制和挑战可以通过使用正确的工具来减轻。例如,由ICD编码或复杂疾病表型(如POU)引入的许多模糊性可以通过使用专门设计用于处理不同类型数据(如EHR数据)的表型算法来缓解[89,106,107,108].表型知识库是一个公共存储库,其中包含许多用于这一独特目的的算法,可以帮助识别困难的表型[109].此外,通过使用基于ml的方法,电子病历可以极大地改善PRS研究的设计、可重复性和预测,因为使用电子病历挖掘的表型可以减少构建队列所需的时间,同时确保估计PRS的人群是医疗保健系统人群的代表性,增加总体多样性[89].
PRSs的另一个局限性是,在评估多基因风险时,它们确实具有统计能力来检测上位性(即基因-基因)相互作用的存在。最近的一种方法,多位点风险评分(MRS),使用基于模型的多因素降维来检测位点之间的上位性。一项测试该方法有效性的研究将标准PRS方法与MRS方法在不同的模拟数据集中进行了比较[110].在450个数据集中的335个数据集中,即使没有检测到上位性相互作用,MRS在受试者工作特征(auROC)曲线下的面积也比PRS大。使用Wilcoxon符号秩检验,MRS较PRS有显著改善(P< 10−5) [110].深思熟虑的考虑和改进,如[110],可用于提高PRS的疗效,以便更可靠地描述、检测和概括POU和其他疾病的遗传关系。
机器学习和人工智能
ML的进展每天都在出现,其中一些有可能在OUD研究中有用。神经网络作为一种ML方法已经得到了广泛的关注。特别是,深度学习(DL)已经被开发出来,以扩展神经网络的架构,包括许多层节点,从而大大提高了它们执行图像识别等任务的能力[111].探索如何最好地将这些算法应用于OUD的研究将是很重要的。一种有前途的方法是应用生物学和生化途径的知识来指导DL神经网络的架构[112].将这种方法应用于OUD的研究是很有前途的,因为研究人员可以在现有知识库的基础上,通过以信息的方式减少特征空间来帮助降低算法的计算复杂性。另一个有希望探索的领域是自动化ML (autoML)。ML的挑战之一是知道选择哪种方法。每种方法都以不同的方式查看数据,并且很难预先知道哪种方法最适合检测特定数据集中的未知模式。自动ML的目标是让计算机探索可能的算法和参数设置的空间,以自动选择最佳方法[113].可用于大型生物医学数据集的autoML包的一个例子是TPOT,它使用遗传编程(GP)来优化潜在的ML管道[114,115,116].应用于TPOT的GP的目标是为每个ML管道分配适应度分数,并通过世代繁殖和突变,在模型精度方面得到最优解。像这样的方法可以消除ML的一些猜测,因为这项技术对于应用这些方法的经验或技能较少的人来说变得更容易使用。最后,解释是将ML结果转化为改善我们对现象的理解或导致新的生物学或临床研究的关键。在某些情况下,理解ML结果比开发模型本身更具挑战性。这就是人为因素发挥作用的地方。ML和人工智能(AI)是需要人类解释和经验来将数据转化为知识的工具。可解释性、透明度和信任是机器学习研究的新前沿。
在POU的应用中,ML算法和旨在从EHR数据中提取表型的方法非常有用,因为术语、诊断和指标的数量可以转化为某种程度的有问题的使用。最近的几项研究纳入并评估了一系列不同的ML方法,以从包括特应性皮炎在内的疾病的EHR数据中获得表型[117]、类风湿性关节炎[118,119],以及二型糖尿病[120].在2型糖尿病的情况下,评估了几种ML方法,包括k-最近邻、决策树、随机森林、支持向量机和naïve贝叶斯。所有这些方法的auROC(各方法的平均值为0.98)均高于最先进的线性回归算法(auROC = 0.71) [120].ML算法除了检测特定表型的发生外,还可以通过将其扩展到严重程度或亚型来丰富当前的表型。例如,最近的两篇论文使用潜在类别分析来识别急性呼吸窘迫综合征的亚表型[121]及小儿败血症[122].阐明表型分层很重要,因为不同的亚表型通常需要不同的治疗策略和反应。POU尤其可以从EHR挖掘中受益,因为表型是多样和复杂的,随着知识库的扩展,其检测的改进将改善治疗和风险评估策略。
虽然NLP是人工智能的一个分支,但它在POU识别和风险评估中的有用性和稳健性值得重点讨论。ICD代码被医生用于诊断和分类患者,可以帮助识别POU和OUD。然而,ICD代码或EHR字段等标准化系统往往低估了表现出一种或多种这些诊断的患者总数[123].在临床环境中使用时,NLP使用自动算法从文本源(结构化或非结构化)创建术语和短语字典,以识别具有或可能具有感兴趣诊断的个体。因此,NLP可以从与某种诊断相关的临床记录中识别出标准化分类(例如,ICD代码)所不能识别的模式。事实上,nlp辅助的EHR数据人工审查已被证明可以通过识别ICD代码识别遗漏的额外POU实例,极大地帮助POU的分类[90,124].然而,在这些例子中,仅使用NLP方法并不能识别所有POU ICD编码的患者。这种重叠的缺失突出了串联使用这两种检测方法来增强POU识别的重要性。NLP也有可能识别POU的危险因素。例如,NLP方法准确预测了慢性非癌症疼痛患者的阿片类药物协议违反情况(敏感性为96.1%,特异性为92.8%,阳性预测值为92.6%)[125].由于开阿片类药物时发生OUD的可能性很大,临床医生和患者可以签订阿片类药物或疼痛管理协议,患者同意进行随机药物筛查和/或药丸计数。确定已经违反或有可能违反这些协议的患者对于负责任的阿片类药物分配非常重要。最后,基于文本的分类器的改进可以对NLP性能产生显著的积极影响。最近的一项研究强调了这种改进。研究人员对医院出院总结进行了手工回顾,并确定了几种描述潜在POU的文本类别[36].注释句被用来生成特征,使用开源知识库Empath [126]、统一医学语言系统[127]和PyConText [128].使用几种ML分类器预测句子分类。在这些分类器中,AutoGluon在测试集中表现最好(平均P= 81.4,R= 77.8,和F1与平均水平相比= 78.2P= 81.2,R= 65.8,和F1logistic回归= 70)。AutoGluon是一个autoML包,它集成了用于从结构化数据中分类文本、图像和表格数据的DL,并专注于多层模型堆叠,而不是模型和超参数选择[129].堆叠允许基础模型预测,使用前一层的预测信息和特征空间来改进未来的模型。这比其他几个autoML框架产生了更高的精度和更快的计算时间[129].像TPOT和AutoGluon这样的AutoML包代表了模型选择和优化方面的重大进展,并有可能显著改善POU等复杂表型的分类和预测。
结论与综合
在这篇综述中,我们强调了将POU分类和识别为生物医学表型的困难,与POU相关的复杂和潜在的风险因素,以告知特征识别和工程,如何量化和分类表型本身的建议,以及ML、AI和生物信息学领域识别POU及其风险因素的几种方法、途径和进展。在整个审查过程中,我们一直试图强调整合各种不同类型的数据和多种方法的重要性,以评估和预测POU风险。数字3.从概念上加强了这一观点。每个管道都有自己产生重要特性和风险预测的潜力。然而,结合各种数据源和方法管道可以增加潜在的知识库,从而产生更健壮的模型以及更好的识别和预测。通过访问所有可用的数据源并结合新颖的数字方法,可以大大改善从数据到知识到预测的工作流程。我们建议未来在POU预测和POU风险评估领域的工作应结合不同类型的数据(例如,环境数据、数字足迹、共病和组学数据)以及多种方法来创建健壮的模型和管道。虽然收集不同的数据可能特别具有挑战性,但我们恳求研究人员开发新的方法来捕捉他们的队列(s)的复杂生活。我们希望,改善POU的知识库将导致更有效和准确的阿片类药物风险预测/评估技术的发展,这对于限制处于风险中的个人的接触和管理这一公共卫生危机至关重要。
缩写
- 人工智能:
-
人工智能
- autoML:
-
自动机器学习
- auROC:
-
接收机工作特性曲线下面积
- DL:
-
深度学习
- DSM:
-
精神障碍诊断与统计手册
- 第五:
-
精神障碍诊断与统计手册第五版
- 电子健康档案:
-
电子健康纪录
- 医生:
-
遗传规划
- GWAS:
-
全基因组关联研究
- ICD:
-
国际疾病分类
- ML:
-
机器学习
- 居里夫人:
-
吗啡当量剂量
- 夫人:
-
多基因座风险评分(s)
- NLP:
-
自然语言处理
- OPRD1:
-
δ-阿片受体1
- OPRM1:
-
μ-阿片受体1
- 乌得琴:
-
阿片类药物使用障碍
- PheWAS:
-
全现象关联研究(ies)
- 普:
-
滥用阿片类药物
- PRS:
-
多基因风险评分(s)
- SNP:
-
单核苷酸多态性
- 立筋:
-
烟草使用障碍
参考文献
流行病学研究的广泛在线数据(WONDER)。CDC国家的。卫生统计;2020.可以从:http://wonder.cdc.gov.2021年8月1日访问。
马特森CL。药物和合成阿片类药物过量死亡的趋势和地理格局-美国,2013-2019年。MMWR Morb Mortal Wkly代表2021;70[引用于2022年3月31日]。可以从:https://www.cdc.gov/mmwr/volumes/70/wr/mm7006a4.htm.
琼斯厘米。处方类阿片止痛药非医疗使用者的海洛因使用和海洛因使用风险行为——美国,2002-2004年和2008-2010年。《药物酒精依赖》,2013;132:95-100。
Lankenau SE, Teti M, Silva K, Bloom JJ, Harocopos A, Treese M.在年轻注射吸毒者中开始滥用处方阿片类药物。国际毒品政策。2012;23:37-44。
西塞罗TJ,埃利斯MS,苏拉特HL,库尔兹SP.美国海洛因使用的变化面貌:过去50年的回顾性分析。美国医学会精神病学杂志2014;71:821-6。
Smith SM, Dart RC, Katz NP, Paillard F, Adams EH, Comer SD,等。临床试验中误用、滥用和相关事件的分类和定义:action系统综述和建议。疼痛®。2013; 154:2287 - 96。
Vowles KE, McEntee ML, Julnes PS, Frohe T, Ney JP, van der Goes DN。慢性疼痛中阿片类药物滥用、滥用和成瘾的比率:系统回顾和数据综合。疼痛。2015; 156:569 - 76。
美国精神病学协会:精神疾病诊断与统计手册,第五版。阿灵顿:美国精神病学协会;2013.http://repository.poltekkes-kaltim.ac.id/657/1/Diagnostic%20and%20statistical%20manual%20of%20mental%20disorders%20_%20DSM-5%20%28%20PDFDrive.com%20%29.pdf.
Boscarino JA, Rukstalis MR, Hoffman SN, Han JJ, Erlich PM, Ross S,等。慢性疼痛患者中处方阿片类药物使用障碍的患病率:DSM-5与DSM-4诊断标准的比较中华精神疾病杂志,2011;30:185-94。
Boscarino JA, Hoffman S, Han J.长期阿片类药物治疗患者的阿片类药物使用障碍:DSM-5最终诊断标准对患病率和相关性的影响。《中国日报》2015;6:83。
面临疼痛管理和阿片类药物滥用、滥用和阿片类药物相关死亡的挑战。《临床药典》2016;9:751-4。
唐毅,李丽娟,李丽娟。老年人酒精和阿片类药物使用障碍:被忽视和可治疗的疾病。Curr精神病学代表2016;18:87。
Hallgren KA, Witwer E, West I, Baldwin L-M, Donovan D, Stuvek B,等。在区域初级保健实践为基础的研究网络中,记录在案的酒精和阿片类药物使用障碍诊断和治疗的流行率。中国医学杂志,2020;10:18 - 27。
鲍曼,艾斯曼J,贝勒茨基L,斯坦克利夫S,布鲁斯RD.在初级保健中减少阿片类药物成瘾的健康后果。美国医学杂志。2013;126:565-71。
Rieckmann T, Muench J, McBurnie MA, Leo MC, Crawford P, Ford D,等。国家社区卫生中心研究网络内物质使用障碍的药物辅助治疗。Subst Abuse. 2016; 37:625-34。
兰德R,阿诺德SJ。相关性状选择的测量。进化,1983;37:1210-26[进化研究学会,威利]。
郭晓明,王晓明,王晓明,王晓明。慢性疼痛患者对阿片类药物使用的影响因素分析。Res Soc Adm Pharm, 2021; 17:1059-65。
肖WS, Roelofs C, Punnett L.工作环境因素与阿片类药物相关死亡的预防。美国公共卫生协会。2020;110:1235-41。
Cheng Z, Zhou H, Sherva R, Farrer LA, Kranzler HR, Gelernter J.全基因组关联研究发现了与欧裔美国人阿片类药物依赖相关的RGMA调节变异。生物精神病学,2018;84:762-70。
程Z,杨B,周H, Nunez Y, Kranzler人力资源,格勒恩特尔j .轨迹接近全基因组扫描识别阿片类药物过量的风险MCOLN1.成瘾生物学。2020;25[引用2020年2月13日]。可以从:https://onlinelibrary.wiley.com/doi/abs/10.1111/adb.12811.
库姆斯,D·索托,M·佐努齐,M·伦齐,C·谢莉,M·法伦特,等。cornicons修饰重组AMPA受体和胶质AMPA受体的通道特性。中华神经科学杂志,2012;32:9796-804。
Crist RC, Clarke T-K, Ang A, Ambrose-Lanci LM, Lohoff FW, Saxon AJ,等。OPRD1的内含子变体预测非裔美国人阿片类药物依赖的治疗结果。神经精神药理学。2013;38:2003-10。
张晓东,张晓东,张晓东,等。阿片类药物依赖的全基因组关联研究:多重关联映射到钙和钾途径。《生物精神病学》2014;76:66-74。
汉考克DB, Levy JL, Gaddis NC, Glasheen C, Saccone NL, Page GP,等。顺式表达数量性状位点定位揭示了OPRM1与海洛因成瘾的可复制相关性。生物精神病学,2015;78:474-84。
梅耶P, Rochlitz H, Rauch E, Rommelspacher H, Hasse HE, Schmidt S,等。阿片受体基因多态性与人类海洛因依赖的关系。NeuroReport。1997; 8:2547-50。
孙志刚,何志刚,何志刚,等。全基因组关联研究确定了可能导致海洛因成瘾风险的基因。精神病学热内,2010;20:207-14。
张慧,杨宝珍,罗晓霞,杨宝珍。OPRD1和OPRK1位点在酒精或药物依赖中的调控作用。摩尔精神病学,2008;13:531-43。
王志刚,王志刚。影响阿片类药物成瘾过程的因素。精神病学杂志2008;17:S39-44。
巴迪亚尼A,罗宾逊TE。药物诱导的神经行为可塑性:环境背景的作用。行为药典,2004;15:327-39。
Eitan S, Emery MA, Bates MLS, Horrax C.阿片类药物成瘾:谁是你真正的朋友?神经科学生物行为学,2017;83:697-712。
Freda PJ, Moore JH, Kranzler HR。阿片类药物使用障碍成瘾和情感性共病的表型和遗传学。《药物酒精依赖》2021;221:108602。
维滕auer Welsh J, Knight JR, Hou SS-Y, Malowney M, Schram P, Sherritt L,等。在青少年和年轻成人临床人群中药物使用诊断和精神障碍之间的关联。青少年健康杂志,2017;60:648-52。
Goesling J, Henry MJ, Moser SE, Rastogi M, Hassett AL, Clauw DJ,等。在寻求治疗的慢性疼痛患者中,无论疼痛严重程度和身体功能如何,抑郁症症状与阿片类药物使用相关。中华外科杂志。2015;16:844-51。
王丽丽,王丽娟,王丽娟。丁丙诺啡维持治疗患者复发的预测因素:丁丙诺啡维持治疗的复发因素。Am J Addict. 2014; 23:62-7。
Hser Y-I, Mooney LJ, Saxon AJ, Miotto K, Bell DS, Huang D.阿片类药物使用障碍患者的慢性疼痛:来自电子健康记录数据的结果。中国中医药大学学报,2017;
波尔森MN,弗雷达PJ,特罗亚尼V,达乌迪A,莫厄里DL。利用自然语言处理对出院总结中阿片类药物使用障碍的特征进行分类。前沿公共卫生。2022;10[引于2022年6月2日]。可以从:https://www.frontiersin.org/article/10.3389/fpubh.2022.850619.
Sarker A, Gonzalez-Hernandez G, Ruan Y, Perrone J.机器学习和自然语言处理用于以地理位置为中心的阿片类药物相关社交媒体聊天的监测和表征。2:e1914672。
Merchant RM, Asch DA, Crutchley P, Ungar LH, Guntuku SC, Eichstaedt JC,等。从社交媒体帖子评估医疗状况的可预测性。PLoS One. 2019;14:e0215476公共科学图书馆。
杨震,Bradshaw S, Hewett R, Jin F.从社交媒体中发现阿片类药物使用模式以预防复发。电脑。2022;55:23-33。
Best D, Lehmann P, Gossop M, Harris J, Noble A, Strang J.吃得太少,吸烟和饮酒过多:美沙酮维持患者中更广泛的生活方式问题。瘾君子决议1998;6:489-98。
陈春杰,王丽娟,王丽娟,王丽娟。阿片类药物依赖患者吸烟状况调查。Am J Addict. 2009; 18:316-20。
美沙酮维持治疗人群的吸烟习惯和态度。《药物酒精依赖》,1997;44:23 3 - 32。
Pajusco B, Chiamulera C, Quaglio G, Moro L, Casari R, Amen G,等。美沙酮与丁丙诺啡治疗下海洛因依赖者的烟草成瘾和吸烟状况。《国际环境与公共卫生杂志》,2012;9:932-42。
Rajabi A, Dehghani M, Shojaei A, Farjam M, Motevalian SA。吸烟与阿片类药物使用之间的关联:一项荟萃分析。成瘾行为。2019;92:225-35。
Grella CE, Anglin MD, Wugalter SE。高危美沙酮维护客户中可卡因和快客的使用和艾滋病毒风险行为。药物酒精依赖,1995;37:15-21。
Tzilos GK, Rhodes GL, Ledgerwood DM, Greenwald MK.预测可卡因滥用美沙酮患者的可卡因组治疗结果。临床精神药物。2009;17:320-5。
艾夫斯TJ, Chelminski PR, Hammett-Stabler CA, Malone RM, Perhac JS, Potisek NM,等。慢性疼痛患者阿片类药物滥用的预测因素:一项前瞻性队列研究。BMC健康服务决议2006;6:46。
李志强,李志强,林海春。酒精、大麻和香烟使用对成人开始、重新开始和持续使用阿片类药物、镇静剂和镇静剂的影响。《药物酒精依赖》,2016;159:86-92。
Hah JM, Sturgeon JA, Zocca J, Sharifzadeh Y, Mackey SC.慢性非癌性疼痛患者横断面队列中处方阿片类药物滥用的相关因素。中国疼痛杂志,2017;10:979-87。
Bilal M, Chatila A, Siddiqui MT, al - hanayneh M, Shah AR, Desai M,等。慢性胰腺炎住院患者中阿片类药物使用障碍的患病率上升和阿片类药物使用障碍的预测因素胰腺。2019;48:1386 - 92。
Foley M, Schwab-Reese LM。2011-2015年美国州级抑郁症和致命阿片类药物过量发病率的相关性。精神病学流行病学,2019;54:131-4。
Martins SS, Fenton MC, Keyes KM, Blanco C, Zhu H, Storr CL。情绪和焦虑障碍及其与非医疗处方阿片类药物使用和处方阿片类药物使用障碍的关系:来自全国酒精和相关疾病流行病学研究的纵向证据心理医学,2012;42:1261-72剑桥大学出版社。
Morasco BJ, Turk DC, Donovan DM, Dobscha SK.有药物使用障碍史的患者处方阿片类药物滥用的风险。《药物酒精依赖》,2013;127:193-9。
Bateman BT, Franklin JM, Bykov K, Avorn J, WH, Brennan TA,等。剖宫产后持续使用阿片类药物:opioid-naïve女性的模式和预测因素。中华妇产科杂志。2016;215:353.e1-353.e18。
Blanco C, Iza M, Schwartz RP, Rafful C, Wang S, Olfson M.处方阿片类药物使用障碍寻求治疗的概率和预测因素:一项全国性研究。《药物酒精依赖》,2013;131:143-8。
Boscarino JA, Kirchner HL, Pitcavage JM, Nadipelli VR, Ronquest NA, Fitzpatrick MH,等。与阿片类药物过量相关的因素:大型综合医疗保健系统中患者的10年回顾性研究。《中国日报》2016;7:131-41。
Carlson RG, Nahhas RW, Martins SS, Daniulaityte R.最初非阿片类药物依赖的非法阿片类药物使用者过渡到海洛因使用的预测因素:一项自然史研究。《药物酒精依赖》2016;160:127-34。
Cochran BN, Flentje A, Heck NC, Van Den Bos J, Perlman D, Torres J,等。在接受初始阿片类药物处方的个体中预测阿片类药物使用障碍发展的因素:使用商业保险个体数据库的数学建模。药物酒精依赖,2014;138:202-8。
郭艳芳,陈伟,郭艳芳,王志强,王志强。腰椎融合术后长期使用阿片类药物的预测因素。脊柱。2017;42:1405-11。
Dilokthornsakul P, Moore G, Campbell JD, Lodge R, Traugott C, Zerzan J,等。科罗拉多州医疗补助受益人处方阿片类药物过量的危险因素。中国疼痛杂志。2016;17:436-43。
葛兰兹,郭志强,郭志强,陈志强,等。处方慢性阿片类药物治疗患者阿片类药物过量的两年风险预测模型。中华医学杂志,2018;33:1646-53。
Hadlandsmyth K, Vander Weg MW, McCoy KD, Mosher HJ, Vaughan-Sarrazin MS, Lund BC。退伍军人全膝关节置换术后长期使用阿片类药物的风险。中国生物医学工程杂志,2018;
汉B,康普顿WM,布兰科C,琼斯CM。美国成年人中处方阿片类药物使用、滥用、使用障碍和滥用动机的相关性。临床精神病学杂志。2018;79:15323
Hylan TR, Von Korff M, Saunders K, Masters E, Palmer RE, Carrell D,等。初级保健环境中阿片类药物使用问题风险的自动预测。中华外科杂志。2015;16:38 - 7。
Inacio MCS, Hansen C, Pratt NL, Graves SE, Roughead EE。全髋关节置换术患者持续和新的慢性阿片类药物使用的危险因素:一项回顾性队列研究英国医学杂志出版集团。2016;6:e010664。
Karhade AV, Schwab JH, Bedair HS。全髋关节置换术后持续阿片类药物处方的机器学习算法预测的发展。中国生物医学工程杂志。2019;34:3272 - 2277。e1爱思唯尔。
金秀珍,赵德华,李志强,等。髋关节或膝关节置换术后持续使用阿片类药物的模式和预测因素。骨关节炎Cartil 2017; 25:1399-406。
Lalic S, Gisev N, Bell JS, Korhonen MJ, Ilomäki J.澳大利亚非癌症人群持续使用处方阿片类镇痛药的预测因素。中国临床医药杂志。2018;84:1267-78。
李D, Armaghani S, Archer KR, Bible J, Shau D, Kay H,等。术前阿片类药物使用是脊柱手术患者术后自我报告不良结果的预测因素。JBJS。2014; 96: e89。
李思P,卡韦提C,麦克唐纳EM,戈梅斯T,卡汉M,斯里瓦斯塔瓦A,等。美沙酮治疗期间阿片类药物相关死亡的预测因素。中华医学杂志。2015;57:30-5。
Leroux TS, Saltzman BM, Sumner SA, Maldonado-Rodriguez N, Agarwalla A, Ravi B,等。阿片类药物的选择性肩部手术Naïve:长期术后阿片类药物使用的发生率和危险因素。Am J Sports Med. 2019; 47:1051-6。
Levine AR, Lundahl LH, Ledgerwood DM, Lisieski M, Rhodes GL, Greenwald MK.美沙酮维持治疗期间保留和阿片类药物戒断的性别特异性预测因子。中国中医药大学学报(自然科学版),2015;
Olfson M, Wall MM, Liu S-M, Blanco C.美国大麻使用与处方阿片类药物使用障碍的风险。美国精神病学出版社,2018;175:47-53。
Rosenbloom BN, McCartney CJL, Canzian S, Kreder HJ, Katz J.创伤性肌肉骨骼损伤和矫正手术后4个月处方阿片类药物使用的预测因素:一项前瞻性研究。中国医学杂志。2017;18:956-63。
样本H, Williams AR, Olfson M, Crystal S.在多州医疗补助登记样本中,中止丁丙诺啡治疗阿片类药物使用障碍的危险因素。中华医学杂志,2018;
Saunders KW, Von Korff M, Campbell CI, Banta-Green CJ, Sullivan MD, Merrill JO,等。在开具慢性阿片类药物治疗处方的人中同时使用酒精和镇静剂:患病率和危险因素中国医学杂志。2012;13:266-75。
肖恩菲尔德,王文杰,王文杰,王文杰,等。在未使用阿片类药物的患者中,脊柱手术后长期使用阿片类药物的危险因素及其与手术强度的关系。JBJS。2017; 99:1247-52。
Schoenfeld AJ, Belmont PJJ, Blucher JA, Jiang W, Chaudhary MA, Koehlmoos T,等。术前持续使用阿片类药物是脊柱手术后继续使用阿片类药物的预测因素。JBJS。2018; 100:914-21。
孙杰,毕杰,陈庚,Oslin D, Farrer L, Gelernter J,等。改进的方法,以确定稳定的,高度遗传的阿片类药物使用和相关行为的亚型。成瘾行为。2012;37:1138-44。
冯·欧赖希,艾瑞克森M, Brattström O, Sjölund K-F, Discacciati A, Larsson E,等。创伤后慢性阿片类药物使用的危险因素和结果。中华外科杂志,2010;
谢玲,王玲,王志强,王志强,王志强,等。退伍军人健康管理患者中严重处方阿片类药物相关毒性或过量的危险因素疼痛医学。2014;15:11 - 29。
阿片类药物使用障碍的遗传学和药物遗传学简要回顾。临床神经科学。2017;19:9。
李东,赵华,李卫东,李卫东,等。拷贝数变异(CNVs)与阿片类药物依赖的全基因组关联研究。神经精神药理学。2015;40:1016-26。
Browne CJ, Godino A, Salery M, Nestler EJ。阿片类药物成瘾的表观遗传机制。生物精神病学,2020;87:22-33。
刘志刚,刘志刚,刘志刚,刘志刚,等。阿片类药物使用障碍的跨祖先元分析揭示了对大脑有主要影响的新位点。medRxiv。2021:2021.12.13.21267480[引用于2022年5月6日]。可以从:https://www.medrxiv.org/content/10.1101/2021.12.13.21267480v1.
Hoffman S, Podgurski A.大坏数据:法律、公共卫生和生物医学数据库。《法律与医学伦理》,2013;41:56-60剑桥大学出版社。
Kohane IS, Aronow BJ, Avillach P, beaulieue - jones BK, Bellazzi R, Bradford RL,等。关于使用电子健康记录数据的研究,每个读者都应该知道,但可能不敢问。J medical Internet res 2021;23:e22219。
Green TC, Grau LE, Carver HW, Kinzly M, Heimer R. 1997-2007年美国康涅狄格州致命阿片类药物中毒的流行病学趋势和地理格局。《药物酒精依赖》,2011;115:221-8。
李锐,陈勇,Ritchie MD, Moore JH。预测疾病风险的电子健康记录和多基因风险评分。新译本,2020;21:493-502。
Carrell DS, Cronkite D, Palmer RE, Saunders K, Gross DE, Masters ET,等。使用自然语言处理来识别处方阿片类药物的使用问题。国际医学杂志,2015;34(4):344 - 344。
Weiner JA, Snavely JE, Johnson DJ, Hsu WK, Patel AA。腰椎手术患者术前使用阿片类药物对术后患者报告结果的影响。临床脊柱外科杂志。2021;34:E154-9。
尤世德,哈JM, Collins S, Ziadni MS, Domingue BW, Cook KF,等。从患者报告结果测量信息系统(PROMIS)®评估处方止痛药项目的滥用的初步有效性。疼痛医学2019;20:25 - 33。
Correa D, Farney RJ, Chung F, Prasad A, Lam D, Wong J.慢性阿片类药物使用与中枢性睡眠呼吸暂停:患病率、机制和围手术期考虑因素的综述。麻醉学杂志2015;120:1273-85
Haight SC, Ko JY, Tong VT, Bohm MK, Callaghan WM。分娩住院记录的阿片类药物使用障碍-美国,1999-2014年。Morb Mortal Wkly代表2018;67:845-9。
疾病控制和预防中心。2018年药物相关风险和结果年度监测报告-美国。监视特别报告。美国卫生与公众服务部疾病控制和预防中心,2018年。访问https://www.cdc.gov/.
世界卫生组织。限定日剂量(DDD)。2022.[引于2022年4月21日]。可以从:https://www.who.int/tools/atc-ddd-toolkit/about-ddd.
陈丽春,陈丽春,陈丽春。初级保健中强阿片类药物处方趋势和模式的变化。欧洲机械工程学报(英文版),2014;
眩P, Aubrey KR, Myles PS.手术后从急性疼痛过渡到慢性疼痛。《柳叶刀》杂志。2019;393:1537-46。
尼科尔AL, Hurley RW, Benzon HT。慢性疼痛综合征药物管理中阿片类药物的替代品:随机、对照和盲法临床试验的叙述回顾中国麻醉学杂志,2017;125:1682-703。
Duncan RW, Smith KL, Maguire M, Stader DE.急诊科疼痛管理的阿片类药物替代品减少阿片类药物使用并维持患者满意度。Am J急诊医学2019;37:38-44。
李文杰,李志强,李志强,等。深度表型样本中物质使用障碍的全现象关联分析。medRxiv。2022:2022.02.09.22270737[引用于2022年5月6日]。可以从:https://www.medrxiv.org/content/10.1101/2022.02.09.22270737v1.
周华,Sealock JM, Sanchez-Roige S, Clarke T-K, Levey DF,程哲,等。对435,563人的酗酒问题进行的全基因组元分析,揭示了生物学及其与其他特征的关系。自然出版集团。2020;23:809-18
Martin AR, Kanai M, Kamatani Y, Okada Y, Neale BM, Daly MJ。目前多基因风险评分的临床应用可能会加剧健康差异。Nat Genet. 2019; 51:584-91自然出版集团
Kim MS, Patel KP, Teng AK, Berens AJ, Lachance J.遗传疾病风险可能在全球人群中被错误估计。基因组生物学,2018;19:179。
Mostafavi H, Harpak A, Agarwal I, Conley D, Pritchard JK, Przeworski M.祖先群体内多基因得分的变量预测精度。eLife。2020; 9: e48376。
杨志强,王志强,杨志强,等。从医疗记录中报告的家族关系推断疾病遗传性。细胞。2018;173:1692 e11——1704.。
DeBoever C, Tanigawa Y, Aguirre M, McInnes G, Lavertu A, Rivas MA。评估数字表型以加强人类疾病的遗传研究。Am J Hum Genet, 2020; 106:611-22。
洪山,崔艳,孙志强。基于锚定和学习框架的电子病历表型分析。中国医学杂志。2016;23:731-40。
Kirby JC, Speltz P, Rasmussen LV, Basford M, Gottesman O, Peissig PL,等。PheKB:用于创建可移植性电子表型算法的目录和工作流。中国医学杂志。2016;23:1046-52。
李国强,李国强,李国强,李国强。扩展多基因风险评分,包括自动基因型编码和基因-基因相互作用。Proc 13 Int Jt Conf Biomed Eng Syst Technol BIOSTEC。2020; 3:79 - 84。
李文杰,李文杰,李文杰。深度学习。自然出版集团。2015;521:436-44
马俊,于克明,方松,小野K,谢哲,德姆切克B,等。利用深度学习来模拟细胞的层次结构和功能。自然出版集团。2018;15:290-8
Hutter F, Kotthoff L, Vanschoren J,编辑。自动化机器学习:方法、系统、挑战:施普林格国际出版;2019.[引2020年4月28日]。可以从:https://www.springer.com/de/book/9783030053178
乐婷,傅伟,摩尔俊辉。利用特征集选择器将基于树的自动机器学习扩展到生物医学大数据。生物信息学。2020;36:250-6。
Olson RS, Urbanowicz RJ, Andrews PC, Lavender NA, Kidd LC, Moore JH。通过基于树的管道优化自动化生物医学数据科学。进:斯奎列罗G,布雷利P,编辑。应用程序evolcomput。湛:施普林格国际出版;2016.123 - 37页。
李志强,李志强,李志强。用于自动化数据科学的基于树的管道优化工具的评估。Proc Genet evolc Comput Conf 2016。纽约:计算机协会;2016.p . 485 - 92。[引于2022年4月21日]。可以从:https://doi.org/10.1145/2908812.2908918
Gustafson E, Pacheco J, Wehbe F, Silverberg J, Thompson W.一种从电子健康记录中识别成人特应性皮炎的机器学习算法,2017 IEEE Int Conf health c Inform ICHI;2017.p . 83 - 90。
周世明,Fernandez-Gutierrez F, Kennedy J, Cooksey R, Atkinson M, Denaxas S,等。通过机器学习方法定义初级保健电子健康记录中的疾病表型:识别类风湿关节炎的案例研究。公共科学图书馆,2016;11:e0154515。
卡罗尔RJ,艾勒AE,丹尼JC。Naïve类风湿性关节炎电子健康记录表型鉴定。《美国医学会年鉴》2011;2011:189 - 96。
郑涛,谢伟,徐林,何欣,张勇,尤敏,等。基于机器学习的框架,通过电子健康记录识别2型糖尿病。国际医学杂志2017;97:120-7。
马黛丽,朱佩克,范涛,李丽丽,赵伟,等。使用临床数据的机器学习模型识别的ARDS亚表型的验证和应用:一项观察性、多队列、回顾性分析。《柳叶刀》呼吸医学。2022;10:367-77。
kouloulis I, Velez T, Wang T, Yohannes S, Galarraga JE, Morales JA,等。增强治疗的小儿败血症表型:聚类在电子健康记录中的应用。J Am Coll新兴医师开放。2022;3:e12660。
O 'Malley KJ, Cook KF, Price MD, Wildes KR, obstacle JF, Ashton CM。测量诊断:ICD代码的准确性。卫生服务第2005号决议;40:1620-39。
Palmer RE, Carrell DS, Cronkite D, Saunders K, Gross DE, Masters E,等。在接受慢性阿片类药物治疗的患者中,阿片类药物使用问题的普遍性:电子健康记录临床记录的计算机辅助审查疼痛。2015; 156:1208-14。
霍勒四,雷尼埃,朱usola M, Hitz P, Steffen W, Asmus MJ,等。利用自然语言处理加强对接受慢性阿片类镇痛治疗患者的风险评估。疼痛医学。2017;18:52 - 60牛津学术。
陈波,陈波,李志强,李志强,陈志强。大型文本中主题信号的理解,Proc 2016。纽约:计算机协会;2016.4647 - 57页。[引于2022年4月21日]。可以从:https://doi.org/10.1145/2858036.2858535
Bodenreider O.统一医学语言系统(UMLS):整合生物医学术语。核酸科学,2004;32:D267-70。
查普曼BE, Lee S, Kang HP,查普曼WW。基于ConText算法扩展的CT肺血管造影报告的文档级分类。中华生物医学杂志。2011;44:728-37。
张华,李敏,张红霞,孙文杰,等。AutoGluon-tabular:用于结构化数据的健壮而准确的AutoML。ArXiv200306505 Cs Stat. 2020。[引于2022年4月20日]。可以从:http://arxiv.org/abs/2003.06505.
资金
这项工作得到了PA卫生部烟草解决法案2001-77拨款# 4100083337给JHM的支持,Ruth L. Kirschstein国家研究服务奖(T32 HG009495)给PJF的支持,NIH拨款P30 DA046345给HRK的支持。
作者信息
作者及隶属关系
贡献
PJF撰写原始稿件,进行文献综述,并帮助设计稿件的总体范围。HRK提供了反馈、编辑和更正。JHM撰写了关于机器学习/人工智能的小节,提供了反馈,并帮助设计了手稿的整体范围。作者阅读并批准最终的手稿。
相应的作者
道德声明
相互竞争的利益
Kranzler博士是Dicerna Pharmaceuticals, Sophrosyne Pharmaceuticals和Enthion Pharmaceuticals的顾问委员会成员;Sobrera制药公司的顾问;Alkermes公司的资金和研究药物接受者,用于研究者发起的研究;美国临床精神药理学协会酒精临床试验倡议的成员,该倡议在过去3年得到了Alkermes, Dicerna, Ethypharm, Lundbeck, Mitsubishi和Otsuka的支持;并持有美国专利10,900,082:阿片受体激动剂的基因型引导剂量,2021年1月26日。其他作者没有披露任何信息。
额外的信息
出版商的注意
伟德体育在线施普林格自然对出版的地图和机构从属关系中的管辖权主张保持中立。
权利和权限
开放获取本文遵循知识共享署名4.0国际许可协议,允许以任何媒介或格式使用、分享、改编、分发和复制,只要您对原作者和来源给予适当的署名,提供知识共享许可协议的链接,并注明是否有更改。本文中的图像或其他第三方材料包含在文章的创作共用许可协议中,除非在材料的信用额度中另有说明。如果材料未包含在文章的创作共用许可协议中,并且您的预期使用不被法定法规所允许或超出了允许的使用范围,您将需要直接获得版权所有者的许可。如欲查看本牌照的副本,请浏览http://creativecommons.org/licenses/by/4.0/.创作共用公共领域奉献弃权书(http://creativecommons.org/publicdomain/zero/1.0/)适用于本条所提供的资料,除非在资料的信用额度中另有说明。
关于本文
引用本文
Freda, p.j., Kranzler, H.R.和Moore, J.H.评估有问题的阿片类药物使用的新数字方法。个人经历矿业15, 14(2022)。https://doi.org/10.1186/s13040-022-00301-1
收到了:
接受:
发表:
DOI:https://doi.org/10.1186/s13040-022-00301-1
关键字
- 乌得琴
- 阿片样物质
- 风险评估
- PRS
- 机器学习
- 人工智能