美国意外药物死亡趋势的深度数据挖掘

本研究项目探讨了使用数据挖掘技术研究美国意外与阿片类药物相关死亡的情况，使用了 "AccidentalDrugRelatedDeaths" 数据集。更具体地说，我们试图识别意外过量事件与故意过量事件（自杀、意图不明、他杀）之间模式和相关因素的区别。在分析的时间段内，我们确定2022年中超过90%的过量死亡被归类为意外。该项目的主要目标是利用分类模型预测在过量事件中阿片类药物是否可能涉及，基于人口统计和情境特征的识别特征。这一预测将允许对经历过量事件的个体实施更及时和有针对性的医疗干预。分析考虑了类别不平衡，使用SMOTE-Tomek Links，同时在单一分析中构建随机森林、XGBoost、逻辑回归、支持向量机和多层感知器分类器模型，并对模型进行超参数调优以达到最大召回率。除了分类模型外，我们还应用了几种异常检测算法（OneClassSVM、Isolation Forest、Elliptic Envelope）来描述可能存在的危险药物组合。总体而言，我们展示了在小心处理的情况下，各种预处理、特征选择和机器学习方法的异常检测，使得更好地识别与阿片类药物相关的过量风险因素成为可能，这可以支持面临阿片危机的州的公共卫生干预和数据驱动编程。