药物滥用的数据驱动识别

2016 年，美国 (US) 近 30% 的出院患者的主要诊断类别为物质使用相关病症。 物质滥用在计划外 7 天再入院率的主要诊断中排名第二。 尽管存在筛查、简短干预和转诊治疗 (SBIRT) 干预措施，但药物滥用并不是入院常规的一部分，只有少数患者在医院环境中接受药物滥用筛查。 这尤其成问题，因为在住院患者中，药物滥用的流行率估计高达 25%，高于一般人群或门诊环境。 需要针对医院环境量身定制的实用筛查方法。

随着电子健康记录 (EHR) 的有意义使用的出现，可以通过利用在常规护理期间收集的数据来提高酒精检测的效率。 物质使用记录很常见，出现在超过 96% 的提供者入场记录中，但它们的自由文本格式使它们难以挖掘和分析。 自然语言处理 (NLP) 和机器学习是人工智能 (AI) 的子领域，它们提供了一种解决方案来分析 EHR 中的文本数据以识别药物滥用。 现代 NLP 融合了机器学习，机器学习是人工智能的另一个子领域，专注于从数据中学习。 特别是，最强大的 NLP 方法依赖于监督学习，这是一种利用当前参考标准对未见过的案例进行预测的机器学习

在 NLP 和机器学习工具的早期版本中，研究人员成功地使用了入院前 24 小时内收集的临床记录数据，使识别酒精滥用的灵敏度和特异性达到 70% 以上。 2016 年有近 3600 万人住院，物质滥用分类器有可能影响数百万人。

在这项研究中，目的是前瞻性地实施物质滥用分类器，以检查其针对三级卫生系统中所有住院成人患者的当前做法的有效性。 卫生系统有一个成熟的筛选系统来检查物质滥用分类器的性能与当前问卷筛选的做法。

假设是物质滥用分类器可以提供标准化、可互操作且准确的方法来筛查住院患者。 在住院患者中成功实施分类器是朝着自动化和全面的药物滥用通用筛查系统迈出的一步。