[論文レビュー] A Joint Survival Modeling and Therapy Knowledge Graph Framework to Characterize Opioid Use Disorder Trajectories

Mengman Wei, Stanislav Listopad+1 more|arXiv (Cornell University)|Jan 19, 2026

Opioid Use Disorder Treatment被引用数 0

ひとこと要約

要約: 本論文は、All of Us データを用いた薬物使用障害(OUD)の経過（発症、寛解、再発）を多段階生存モデルで捉え、リスク要因と治療知識グラフを結びつけて治療優先度を支援する枠組みを提案する。

ABSTRACT

Motivation: Opioid use disorder (OUD) often arises after prescription opioid exposure and follows transitions among onset, remission, and relapse. Linked EHR-survey resources such as the All of Us Research Program enable stage-specific risk modeling and connection to intervention options. Results: We built a multi-stage framework to model time-to-onset, time-to-remission, and time-to-relapse after remission using All of Us EHR and survey data. For each participant we derived longitudinal predictors from clinical conditions and survey concepts, including recent (1/3/12-month) event counts, cumulative exposures, and time since last event. We fit regularized Cox models for each transition and aggregated selection frequencies and hazard ratios to identify a compact set of high-confidence predictors. Pain, mental health, and polysubstance use contributed across stages: chronic pain syndromes, tobacco/nicotine dependence, anxiety and depressive disorders, and cannabis dependence prominently predicted onset and relapse, whereas tobacco dependence during remission and other remission-coded conditions were strongly associated with transition to remission. To support therapeutic prioritization, we constructed a therapy knowledge graph integrating genetic targets, biological pathways, and published evidence to map identified risk factors to candidate treatments in recent OUD studies and clinical guidelines.

研究の動機と目的

• 臨床的に意味のある3つのOUD転帰（発症、寛解、再発）をモデル化する。
• 高次元のEHRと調査データからコンパクトで高信頼性の予測因子を同定する。
• 特定されたリスク要因を知識グラフを介してエビデンスに基づく治療と結びつけ、意思決定支援を行う。

提案手法

• リンクされたEHRと調査データからOUD発症・寛解・再発の3つの時間-to-eventアウトカムを構築する。
• 痛み、精神健康、複薬使用の概念に対して最近の件数、累積件数、前回からの日数などの時間インデックス特徴を設計する。
• スタート–ストップ形式と交差検証チューニングを用いて各転帰に対してL1ペナルティ付きCoxモデル（ラッソ）を適合させる。
• データ分割を横断して特徴選択頻度とハザード比を集計し、頑健な予測因子を同定する。
• 遺伝子・経路・薬剤を統合する治療知識グラフを構築し、リスク因子とMOUDおよび他の治療を結びつける。
• グラフ上でPersonalized PageRankアプローチを用い、候補薬をランク付けし説明可能な出力を提供する。

Figure 1: Predictors of OUD onset. Hazard ratios (HRs) from time-to-event models for OUD onset. HR $>1$ indicates increased hazard (earlier onset) and HR $<1$ indicates decreased hazard. Predictors shown are the 24 prioritized features selected by the modeling/feature-selection pipeline; Selected in

実験結果

リサーチクエスチョン

• RQ1 大規模で多様なコホートにおけるOUD発症・寛解・再発の段階別リスク因子は何か。
• RQ2 EHRと調査データの高次元・時間変動予測因子を、各OUD転帰のコンパクトで解釈可能なリスク因子セットに抽出できるか。
• RQ3 知識グラフを用いて特定されたリスク因子をエビデンスに基づく治療へ結びつけ、治療オプションを優先付けできるか。

主な発見

• 痛み関連疾患、喫煙・ニコチン使用、精神健康障害がOUD発症の顕著な予測因子として挙げられる。
• 寛解はMAT/MOUDの曝露と最近の臨床関与と強く関連し、他の薬物使用や不安関連の予測因子も重要である。
• 再発リスクは最近の臨床活動および多剤使用指標と関連し、いくつかの極端なハザード比はデータがまばらであるか複雑さを reflecting している可能性がある。
• 知識グラフは確立されたMOUD薬を優先化し、非MOUD候補の機構的クラスターを特定して仮説生成的な治療オプションを提示する。

Figure 2: Top predictors of OUD remission. Hazard ratios (HRs) summarize associations with time to OUD remission; HR $>1$ indicates a higher hazard of remission (i.e., faster remission), and HR $<1$ indicates a lower hazard. To improve readability, the x-axis is shown on a log scale; values above 10