机器学习辅助模型解决阿片类药物的过度处方和不足处方

虽然COVID-19流行病在过去两年占据了头条新闻，但美国仍然受到阿片类药物流行的影响。2020年，近7万美国人死于阿片类药物过量，这是有联邦统计数据的最后一年。新的研究可能表明，这些死亡中更少的人可归因于处方阿片类药物，这是医生和其他提供者多年来努力扭转过度处方趋势的结果。处方模式，包括手术后的处方模式，被认为是导致美国阿片类药物危机的重要因素。

现在，贝斯以色列女执事医疗中心(BIDMC)的一个由医生和科学家组成的多学科团队设计了一种新的治疗方法干预-使用机器学习改善手术后阿片类药物处方的模型。基于同类报告的最大数据集之一，该干预措施为医生提供了患者出院时患者和手术特定的阿片类药物消耗预测。此外，该模型不断收集和更新数据，并为处方者提供近乎实时的反馈。该团队报告了机器学习辅助干预的设计、实施和临床影响NEJM的催化剂．

BIDMC外科创伤和外科重症护理外科医生Gabriel A. Brat医学博士、公共卫生硕士、高级作者Gabriel A. Brat说:“机器学习是唯一适合解决手术后根据患者个人特征个性化阿片类药物处方的任务，这样过度处方和不足处方的风险就会降到最低。”“在两年的时间里，我们的干预促进了手术后安全、个性化的阿片类药物处方，并促进了处方习惯的持久行为改变。我们相信，我们的经验为其他公司提供了可推广的经验教训和工具卫生系统．"

的机器学习-辅助干预依赖于患者的实际阿片类药物消费数据，而这些数据通常不被捕获。从2017年10月开始，Brat和同事们开始在手术后给BIDMC患者打电话，调查他们开了多少止痛药，以及他们需要和消耗了多少止痛药。2019年，研究人员改用自动短信，引导术后患者进行网络调查。到2021年8月，该团队获得了近1.1万名术后患者的出院后阿片类药物消费数据。

“了解患者的实际阿片类药物消费量是设计基于证据的干预措施的关键，”布拉特说，他也是哈佛医学院的外科助理教授。

这些患者报告的阿片类药物消费数据与来自电子健康记录开发一个模型，预测常见手术后典型的阿片类药物消费模式。阿片类药物消费的前五大预测因素包括住院期间服用的量、大麻史和烟草的使用、年龄、体重指数和术前阿片类药物暴露。通过突出显示哪些患者可能有非典型阿片类药物消费，该模型为提供者制定患者出院计划提供指导。

此外，该系统还会向医生反馈他们自己的处方习惯，当他们开的阿片类药物处方过多时，系统会提醒他们。该警告以电子邮件的形式发出，其中包括患者阿片类药物消费指标的数据，以及一项调查的链接，要求处方者提供处方大小的基本原理。

在两年的时间里，干预与不适当的大剂量阿片类药物处方的减少和频率减少有关。此外，由医生和科学家组成的团队观察到，处方做法逐渐接近典型的阿片类药物消费量，过量药丸的数量显著下降。

为了更好地了解临床预测模型是否可以部署在其他机构，BIDMC团队使用来自犹他州医疗保健系统的患者水平消费数据和密歇根州研究联盟开发的常用处方指南验证了他们的模型。相对于这些常见指南，模型在预测患者的典型阿片类药物消费方面表现良好。

Brat说:“这些分析表明，我们的模型在不同的机构和患者群体中保留了大量的预测效用。”“我们认识到，许多医院可能没有基础设施或资源来实施这样的系统，我们的目标是帮助其他机构开发和部署类似的干预措施，以扩大多机构的效益阿片样物质消费数据。”

来自BIDMC各部门的专家参与了干预措施的设计、部署和评估。由外科医生、外科住院医生和数据科学博士后组成的团队设计了干预措施。临床信息学家和专家电子病历将干预的每个元素整合到医院现有的IT系统中。