加州大学洛杉矶分校的一项新研究发现，基于计算机算法的自动化流程可以从体检医师的死亡证明中读取文本，这可以大大加快过量死亡的数据收集速度——这反过来又可以确保比目前使用的系统更快的公共卫生响应时间。
该分析将于 8 月 8 日在同行评审的JAMA Network Open上发表，该分析使用人工智能工具快速识别导致过量死亡的物质。
研究负责人、医学助理教授戴维·古德曼-梅扎博士说：“美国的过量用药危机是导致年轻人死亡的第一大原因，但直到事实发生几个月后，我们才知道过量用药的实际死亡人数。”在加州大学洛杉矶分校大卫格芬医学院的传染病科。“我们也不知道我们社区中过量服药的数量，因为快速发布的数据最多只能在州一级获得。我们需要能够在地方一级快速获取这些数据的系统，以便公共卫生能够做出反应。机器学习和自然语言处理可以帮助弥合这一差距。”
就目前而言，过量数据记录涉及几个步骤，从法医和验尸官开始，他们确定死因并在死亡证明上记录疑似药物过量，包括导致死亡的药物。然后将包含非结构化文本的证书发送到当地司法管辖区或疾病控制和预防中心 (CDC)，后者根据国际疾病和相关健康问题统计分类第十版 (ICD-10) 对其进行编码。这个编码过程很耗时，因为它可以手动完成。因此，在死亡日期和死亡报告之间存在相当长的滞后时间，这减缓了监测数据的发布。这反过来又会减缓公共卫生反应。
更复杂的是，在这个系统下，不同用途和效果的不同药物被汇总在同一个代码下——例如丁丙诺啡(一种用于治疗阿片类药物使用障碍的部分阿片类药物)和合成阿片类药物芬太尼被列在同一个 ICD-10 下代码。
在这项研究中，研究人员使用“自然语言处理”(NLP) 和机器学习分析了 2020 年全年来自康涅狄格州和美国 9 个县的近 35,500 条死亡记录：库克(伊利诺伊州);杰斐逊(阿拉巴马州);约翰逊、丹顿、塔兰特和帕克(德克萨斯州)、密尔沃基(威斯康星州)、洛杉矶和圣地亚哥。他们研究了如何将使用计算机算法来理解文本的 NLP 与机器学习相结合，能够以精确和准确的方式自动破译大量数据。
他们发现，在当年记录的 8,738 例过量死亡中，最常见的特定物质是芬太尼 (4758, 54%)、酒精 (2866, 33%)、可卡因 (2247, 26%)、甲基苯丙胺 (1876, 21%)、海洛因(1613, 18%)、处方阿片类药物 (1197, 14%) 和任何苯二氮卓类药物 (1076, 12%)。其中，只有苯二氮卓类药物的分类在该方法下是次优的，其他都是完美或接近完美的。
Goodman-Meza 说，最近 CDC 发布了在死亡后不早于四个月的初步过量数据。
“如果将这些算法嵌入法医办公室，时间可能会缩短到毒理学测试完成后，这可能是死亡后大约三周，”他说。
其余的过量死亡是由于其他物质造成的，例如安非他明、抗抑郁药、抗精神病药、抗组胺药、抗惊厥药、巴比妥类药物、肌肉松弛药和致幻剂研究人员指出该研究存在一些局限性，主要是该系统没有在较少的情况下进行测试抗惊厥药或其他设计药物等常见物质，因此尚不清楚它是否适用于这些药物。此外，鉴于需要训练模型以依赖大量数据进行预测，系统可能无法检测到新出现的趋势。
但研究人员写道，需要快速准确的数据来制定和实施干预措施以遏制过量用药，并且“应将诸如此类的 NLP 工具集成到数据监控工作流程中，以加快向公众、研究人员和政策制定者传播数据的速度。 "
除了 Goodman-Meza 之外，该研究的合著者还有 Chelsea Shover、Jesus Medina 博士、Amber Tang 博士、Steven Shoptaw 和加州大学洛杉矶分校的 Alex Bui。
标签：
免责声明：本文由用户上传，如有侵权请联系删除！