Maschinelles Lernen zur Vorhersage des Risikos einer Methadonüberdosis nutzen: Erkenntnisse aus den SUDORS-Daten von Illinois

Das Wissen über die Merkmale Verstorbener, die mit der Methadonen involviert sind, bei unbeabsichtigten Drogenüberdosen kann dazu beitragen, Maßnahmen zur Intervention in diesen Todesfällen zu informieren. ML-Modelle mit bestehenden Daten bieten eine kostengünstige Möglichkeit, um effektive Interventionen zu entwickeln. In dieser Studie beabsichtigen wir, einen optimierten ML-Algorithmus zur Vorhersage von Überdosensterbemustern aufgrund von Methadon unter Verwendung von Daten des State Unintentional Drug Overdose Reporting System (SUDORS) von Illinois zu entwickeln. Wir haben die IL SUDORS-Daten von 2019-2022 für das Training (n = 11931) mit ausgewählten Indikatoren (n = 28) verwendet. Um das Ungleichgewicht bei nicht mit Methadon verbundenen Todesfällen zu adressieren, haben wir die Synthetic Minority Oversampling Technique angewandt. Anschließend haben wir verschiedene Maschinenlernmodelle bewertet, einschließlich logistischer Regression, Support Vector Machine, Random Forest, neuronale Netze und Ridge Regression. Die Modellleistung wurde mit Metriken wie Genauigkeit, Präzision, Fläche unter der Precision-Recall-Kurve (AUPRC) usw. bewertet. Unter Verwendung separater Trainings- (n = 15813), Validierungs- (n = 3388) und Testdaten (n = 3389) übertrifft das Random Forest Modell alle anderen Modelle mit 92 % Genauigkeit, 91 % Präzision, 93 % Rückruf und 0,97 AUPRC. Bemerkenswerterweise wurden diese Ergebnisse hauptsächlich mit demografischen Indikatoren erzielt. Durch die Analyse von teilweise Abhängigkeitsdiagrammen konnten wir sehen, wie Veränderungen in jedem Indikator dynamisch die methadonbezogenen Todesfälle beeinflussen. Diese Studie demonstriert das Potenzial von ML-Modellen zur Identifizierung der Methadonbeteiligung an unbeabsichtigten Drogenüberdosen und trägt zur Wissensbasis zur Prävention dieser Todesfälle bei. Durch die Nutzung der SUDORS-Daten zeigte das Random Forest Modell eine außergewöhnliche Leistung, was seinen Wert für medizinisches Fachpersonal, Spezialisten für Prävention und Schadensminderung sowie Entscheidungsträger hervorhebt.