石溪大学的研究人员Fusheng Wang和Dr. Richard Rosenthal正在开发一种人工智能模型，希望该模型能够预测与阿片类药物使用障碍和阿片类药物过量相关的风险。这项跨学科的努力结合了Fusheng Wang的计算机科学技能和包括Dr. Richard Rosenthal在内的医生的临床知识和经验。
Wang是石溪大学生物医学信息学和计算机科学系的教授，而Rosenthal是Renaissance医学院精神病学和行为健康系的教授。他们从独立资助机构——患者结果研究所以及社区护理研究所（PCORI）获得了一项为期三年、价值105万美元的合同。
“我们有患者、临床利益相关者、临床科学家和基于社区的系统护理人员从一开始就参与到了这个AI机制的开发周期中，”Rosenthal说。PCORI要求科学家们在研究策略中确定这些利益相关者。
石溪大学的研究人员正在结合Cerner的数据，Cerner是一家主要的电子健康记录供应商，通过机构数据使用协议提供数据。同时，他们还意识到需要创建一个医生可以使用、患者可以理解的程序。
传统的公共卫生研究依赖于分析已经发生的事件。然而，这种方法可以通过早期干预应用于人群健康管理，Wang解释道。
利用人工智能，计算机科学家通常会将大量数据输入模型，模型会搜索单个或组合因素，并通过深度学习过程得出预测。然而，导致结论的因素可能多达数百个，这些因素并不总是明确的，这使得医生难以解释，患者也难以理解。许多因素可能在临床上并不直观。
深度学习模型可以提供某些类型的预测信息，例如排名前几位的因素。然而，这些因素可能并不具有临床相关性，Wang解释道。
为了平衡数据驱动分析的需求和创造一个人们有信心使用的工具的愿望，科学家们计划成为这一过程的一部分。“我们将互相教育，”Rosenthal说。“患者会告诉你作为患者意味着什么，当一些医生告诉他们一些他们不知道的事情时，他们处于接受端的感受。”每个参与者都将成为学生和老师。Rosenthal相信这种利益相关者参与的方法将创建一个临床上相关的工具。
“有机会生产一个高度准确且基于透明度的高度可接受的预测机制，”他说。当然，参与这一过程的人可能会淡化对他们来说没有意义的因素，但这些因素可能会增加正在开发的模型的预测准确性。“这可能会以牺牲性能指标为代价，”Rosenthal说。尽管如此，他认为任何人为的校正或重新平衡各种因素都不会降低该程序的价值。同时，他相信这一过程将增加医生和患者对其预后的反应机会。
带有个人触感的程序
Wang创建了科学家们正在使用和增强的模型。他联系了几位医生，包括内科初级保健轨道主任Rachel Wong，后来又联系了Rosenthal，利用他的成瘾研究专长。
Rosenthal自2018年开始合作撰写关于大数据和阿片类药物危机的拨款提案，并参加了Wang的研究生工作小组。
Wang认识到医生在沟通这些工具时的经验价值。“研究表明，患者对AI有很多怀疑，”他解释道。设计一个能够生成足够信息和证据的工具，使患者能够轻松使用，这一点至关重要。
这些模型预测的风险概况可以帮助医生找到预防患者成瘾的最佳方法，从而保护患者的生活质量和寿命。“如果我们能够在患者开始上瘾之前识别早期风险，那将非常有帮助，”Wang补充道。如果患者已经出现阿片类药物使用障碍，该工具还可以预测患者是否有很高的治疗终止风险，这可能会导致更糟糕的结果。
模型的改进可能包括居民在某一地区可能经历的本地因素，这些因素对于生活在其他地区的群体来说是不同的。根据他们学到的知识，这可能允许“我们在一个更加情境化、人口依赖的领域框架下提出机器学习问题，”Rosenthal说。阿片类药物相关的健康问题在东北部，如长岛，通常与可卡因的使用有关。在西南部，阿片类药物的威胁来自与兴奋剂如甲基苯丙胺的混合，Rosenthal补充道。“本地化提高了这些模型的准确性和精确性，”他说。
最终，该模型可能包括一个风险仪表板，指示某人可能需要采取哪些预防措施来保护自己。科学家们设想医生和患者一起查看仪表板。医生可以使用模型及其包含的变量，解释他对患者的担忧，而不会断言患者一定会出现问题。“鉴于这些因素，你的风险更大，”Rosenthal说。“我们并不是说你会有问题，而是潜在的阿片类药物相关健康危机的可能性增加了。”
除非某人已经有某种诊断，否则医生只能讨论概率并给出合理的建议，Rosenthal解释道。他们希望开发的工具能够通过一个易于理解的过程提供指导。“归根结底，机器永远不会做出决定，”Rosenthal说。在患者的帮助下，临床医生应该制定一个保护患者健康的计划。“我们的目标是提高患者的护理质量，”他说。
(全文结束)
