一种用于预测阿拉巴马州持有阿片类药物处方的医疗补助受益人过量风险的机器学习方法

这对普通人的重要性

阿片类药物危机经常见诸全国头条，但其影响在特定社区中最为显著。本研究聚焦于通过医疗补助（Medicaid）获得医疗服务并持有阿片类药物处方的阿拉巴马州人群。研究人员通过使用现代计算方法来预测谁最有可能发生药物过量，旨在帮助医生、健康计划和政策制定者更早介入——在悲剧发生之前——同时揭示可能让患者和临床医生都感到意外的模式。

阿拉巴马州阿片类药物使用的近距离观察

阿拉巴马州的阿片类药物处方率在美国名列前茅，过量死亡在全州67个县均呈上升趋势。医疗补助覆盖了大约四分之一的阿拉巴马居民，为许多收入有限且本就面临更高健康风险的人提供保障。研究人员使用了阿拉巴马医疗补助的详细账单记录，涵盖门诊就诊、住院以及已取药的处方，针对2016年至2023年间年龄在18至64岁之间、获得阿片类止痛药的成年人。这些记录使他们能够随时间追踪数十万人的情况，记录后来在急诊或住院索赔中出现的阿片类药物过量事件。

计算机如何学习标记过量风险

团队构建并测试了几种机器学习模型——从大量数据中学习模式的计算程序——以估计每个人在未来三个月内发生过量的概率。他们在2016–2018年的数据上训练模型，然后用2019–2023年的更新数据检验模型表现。由于过量事件较为罕见（在有处方的患者中约占0.5–0.6%），他们使用了一种称为SMOTE的技术，该方法生成逼真的合成过量案例，使模型不会“忽视”这些少数情况。在三种测试方法中，一种称为梯度提升（gradient boosting）的方法在区分高风险与低风险患者方面表现最佳，根据预测建模常用的衡量标准显示出出色的准确性。

谁最有风险以及突出的模式

模型指出了若干强烈的预警信号。既往发生过量（无论是处方阿片还是海洛因）的人再次发生过量的风险显著更高。较高的每日阿片剂量以及长期累计的大剂量同样会提高风险。年龄也有影响：40多岁和50多岁的人比更年轻的成年人更容易发生过量。频繁的门诊就诊、被诊断为阿片类药物使用障碍或其他物质使用问题，以及更多的急诊就诊，都是额外的危险信号。值得注意的是，最终发生过量的人比其他患者被拒绝的阿片处方取药次数更多，这表明存在反复尝试获取不符合保险或安全规定的阿片药物的模式。

处理数据中罕见事件的影响

由于与患者总数相比，过量事件并不常见，研究人员特别关注模型正确识别这些罕见但关键病例的能力。当他们使用SMOTE来平衡数据时，模型在捕捉真实过量病例方面显著改善（召回率提高），尽管这也导致更多误报。总体准确率仍然很高，综合权衡正确检测与误报的评分略有提升。从实际角度看，这意味着该模型作为早期预警系统更有用：它漏掉真正处于危险中的人数更少，这在漏报可能意味着生命代价的情况下尤为重要。

这对预防和政策的意义

对普通读者而言，要点是过量风险并非随机。可以利用医疗系统已收集的信息来估算，例如年龄、既往过量史、处方历史和被拒绝的补药请求。本研究表明，经过谨慎设计以处理罕见事件的先进计算模型，可以可靠地突出显示哪些阿拉巴马医疗补助患者在近期内最脆弱。负责任地使用此类工具，可以帮助医生和公共项目把咨询、成瘾治疗、更密切的随访以及其他支持资源集中到最需要的地方——提供在过量发生前加以预防的机会，而不只是事后应对。

引用: 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

关键词: 阿片类药物过量, 医疗补助, 机器学习, 风险预测, 处方阿片类药物