Подход машинного обучения для прогнозирования риска передозировки опиоидами среди участников программы Medicaid в Алабаме с рецептами на опиоиды

Почему это важно для обычных людей

Кризис, связанный с опиоидами, часто появляется в национальных заголовках, но его влияние наиболее ощутимо в отдельных сообществах. В этом исследовании подробно рассматриваются люди в Алабаме, которые получают медицинскую помощь через Medicaid и имеют рецепты на опиоиды. Используя современные вычислительные методы для прогнозирования того, кто с наибольшей вероятностью может получить передозировку, исследователи стремятся помочь врачам, страховым планам и законодателям вмешаться раньше — до трагедии — а также выявить закономерности, которые могут удивить как пациентов, так и клиницистов.

Ближе к использованию опиоидов в Алабаме

Алабама входит в число штатов с одним из самых высоких уровней выписывания опиоидных препаратов в США, и смертность от передозировок растёт во всех 67 округах. Medicaid, которым пользуется примерно каждый четвёртый житель Алабамы, покрывает многих людей с ограниченным доходом, у которых уже повышен риск проблем со здоровьем. Исследователи использовали подробные данные о биллинге из Medicaid Алабамы — визиты к врачам, госпитализации и выкупленные рецепты — для взрослых в возрасте 18–64 лет, получавших обезболивающие опиоиды в период 2016–2023 годов. Эти записи позволили проследить сотни тысяч людей во времени и зафиксировать, у кого впоследствии была передозировка, отразившаяся в обращении в неотложную помощь или в госпитальном требовании к оплате.

Как компьютеры учатся отмечать риск передозировки

Команда создала и протестировала несколько моделей машинного обучения — компьютерных программ, которые выявляют закономерности в больших объёмах данных — чтобы оценить вероятность передозировки у каждого человека в ближайшие три месяца. Модели обучали на данных 2016–2018 годов и затем проверяли их работу на более новых данных 2019–2023 годов. Поскольку передозировки встречались редко (примерно у 0,5–0,6 процента людей с рецептами на опиоиды), они использовали приём SMOTE, который создаёт правдоподобные синтетические примеры случаев передозировок, чтобы модель их не «игнорировала». Среди трёх протестированных подходов метод, называемый градиентным бустингом, показал наилучшие результаты в разделении пациентов с более высоким и более низким риском, демонстрируя отличную точность по стандартным метрикам предиктивного моделирования.

Кто находится в наибольшей зоне риска и какие закономерности выделяются

Модели выявили несколько сильных признаков риска. Люди с предыдущими передозировками — как от рецептурных опиоидов, так и от героина — имели значительно более высокий риск повторной передозировки. Более высокие суточные дозы опиоидов и большая суммарная доза со временем также повышали риск. Возраст имел значение: люди в возрасте 40–50 лет чаще подвергались передозировке, чем молодые взрослые. Частые амбулаторные визиты, диагнозы «расстройство, связанное с употреблением опиоидов», или другие проблемы с употреблением психоактивных веществ, а также частые обращения в отделение неотложной помощи — дополнительные тревожные сигналы. Примечательно, что у людей, у которых впоследствии произошла передозировка, было существенно больше отказанных выдач рецептурных опиоидов по сравнению с другими пациентами, что указывает на модель повторяющихся попыток получить опиоиды, не соответствующих правилам покрытия или безопасности.

Влияние обработки редких событий в данных

Поскольку события передозировки относительно редки по сравнению с общим числом пациентов, исследователи уделили особое внимание тому, насколько хорошо их модель способна правильно выявлять эти редкие, но критические случаи. Когда они применили SMOTE для балансировки данных, модель стала гораздо лучше улавливать реальные случаи передозировок (увеличилась полнота), хотя это также привело к большему числу ложных срабатываний. Общая точность осталась очень высокой, а комбинированная метрика, учитывающая и правильные срабатывания, и ложные тревоги, улучшилась незначительно. Практически это означает, что модель становится более полезной в качестве системы раннего оповещения: она пропускает меньше людей, реально находящихся в опасности, что критично, когда цена промаха может быть человеческой жизнью.

Что это означает для профилактики и политики

Вывод для непрофессионала таков: риск передозировки не является случайным. Его можно оценить по информации, которую медицинские системы уже собирают, например по возрасту, наличию прошлых передозировок, истории рецептов и отказанным запросам на повторное выписывание. Это исследование показывает, что продвинутые компьютерные модели, при продуманной настройке для работы с редкими событиями, могут надежно выделять пациентов Medicaid в Алабаме, которые в ближайшем будущем наиболее уязвимы. При ответственном применении такие инструменты могут помочь врачам и общественным программам нацелить консультации, лечение зависимости, более тщательное наблюдение и другие меры поддержки туда, где они наиболее нужны — давая шанс предотвратить передозировки до их наступления, а не просто реагировать после факта.

Цитирование: Parton, J., Wang, Q., Wang, E.C. et al. A machine learning approach for opioid overdose risk prediction among Alabama Medicaid beneficiaries with opioid prescriptions. Sci Rep 16, 5171 (2026). https://doi.org/10.1038/s41598-026-36047-7

Ключевые слова: передозировка опиоидами, Medicaid, машинное обучение, прогнозирование риска, рецептурные опиоиды