阿片类药物使用障碍的协作研究以测试方法有效性
两名斯蒂文斯理工学院的研究人员正在开发一种使用机器学习模型来预测患者结果的方法。该合作涉及理查德·N·罗森塔尔，医学博士，罗文医学院（RSOM）精神病学和行为健康系教授，王富生，博士，任职于RSOM生物医学信息学和计算机科学系及工程与应用科学学院。他们的工作特别侧重于优化阿片类药物使用障碍和阿片类药物过量风险的预测。
该研究获得了患者为中心的结果研究所（Patient-Centered Outcomes Research Institute）提供的105万美元的资助。PCORI)，一个独立的资金组织，支持在美国以患者为中心的比较临床效果研究。
credits: 石溪大学
王的研究是基于利用机器学习预测患者风险的，他专注于创建模型来预测患者发展成阿片类药物使用障碍和阿片类药物过量的可能性。每个个体患者的阿片类药物风险各不相同。通过预测模型，王和他的同事Rosenthal希望开发出一个更实用的机器学习工具，帮助临床医生预见每位患者的潜在风险，并据此为他们制定治疗方案。整个过程的关键是从患者病历中提取数据来进行预测。
“大多数医疗保健领域的AI模型开发是由开发者完成的，因此最终用户（如临床医生）几乎没有机会提供反馈，”罗斯enthal说。“结果是，由于未经过筛选的机器学习工作方式，医生经常被迫使用难以理解且无法向患者解释的模型来做治疗决策，所以大多数模型被大大低估和少用。”
他补充说，他们合作工作的革命性之处在于采用了研究人员所谓的“利益相关者参与方法”。这种方法允许临床医生为预测模型提供反馈，以提高输出的准确性和临床实用性，从而使机器学习模型更加以患者为中心。
版权：石溪大学
“我认为在这种类型模型中最重要的一点是我们采用的‘利益相关者参与循环’的方法，”王补充道。“包括临床医生和患者在内的所有利益相关者将全程参与到模型的设计、开发和评估中。我认为在医疗领域，这一点是缺失的。如果我们能通过这种特定模型提供一个框架，从中得到的经验教训对其他人采用类似方法会非常有用。”
王和罗森塔尔及其同事们面临的挑战之一是患者数据非常复杂，包含许多临床变量。哪些变量有助于预测风险尚不清楚。这也是为什么“利益相关者参与”方法很重要的另一个原因，因为它给临床医生提供了加入临床知识的机会。
“医生希望尽快、尽可能全面地了解所有信息，”王强调说。“如果机器学习模型生成了一个预测结果，那么我们需要对患者的情况进行一个非常准确的总结，说明为什么该患者被预测出这样的风险。”
该项目引入了患者伙伴、临床医生、计算机科学家、研究人员以及来自纽约州心理健康办公室和苏福克县卫生部门的社区代表，共同合作。
研究团队希望将这种方法扩展到其他疾病的硏究中，例如心血管疾病。他们还希望通过在临床环境（如急诊室）中实施该模型来测试其准确性和有效性。