[논문 리뷰] A Joint Survival Modeling and Therapy Knowledge Graph Framework to Characterize Opioid Use Disorder Trajectories

Mengman Wei, Stanislav Listopad외 1명|arXiv (Cornell University)|2026. 01. 19.

Opioid Use Disorder Treatment인용 수 0

한 줄 요약

이 논문은 All of Us 데이터를 사용한 OUD 궤적의 다단계 생존 모델링 프레임워크를 제시하고 치료 우선순위를 지원하기 위해 위험 요인을 치료 지식 그래프와 연결합니다.

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.

연구 동기 및 목표

• 임상적으로 의미 있는 OUD 전이 3가지를 모델링: onset, remission, and relapse.
• 고차원 EHR 및 설문 데이터에서 компакт하고 높은 신뢰도의 예측 변수를 식별합니다.
• 위험 요인을 근거 기반 치료와 연결하기 위해 지식 그래프를 통해 치료 옵션을 결정 지원으로 활용합니다.

제안 방법

• Linked EHR 및 설문 데이터에서 OUD 발병 onset, 관해 remission, 및 재발 relapse를 위한 세 가지 시간-에서-사건(outcomes)을 구성합니다.
• pain, mental health, and polysubstance use concepts 전반에서 시간 지표 특성(recent counts, cumulative counts, days since last)을 설계합니다.
• L1-penalized Cox models (lasso)를 각 전이에 대해 start–stop 형식으로 교차 검증된 튜닝과 함께 적합합니다.
• 데이터 파티션 간 특징 선택 빈도와 위험비hazard ratios를 집계하여 강건한 예측 변수를 식별합니다.
• 위험 요인을 MOUD 및 기타 치료와 연결하기 위해 유전자, 경로, 약물을 통합한 치료 지식 그래프를 구축합니다.
• 그래프에서 Personalized PageRank 접근법을 사용하여 후보 약물을 순위화하고 설명 가능한 출력을 제공합니다.

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

실험 결과

연구 질문

• RQ1 대규모의 다양한 코호트에서 OUD 발병, 관해, 재발에 대한 단계별 위험 요인은 무엇인가?
• RQ2 EHR 및 설문지에서 얻은 고차원 시간 변화 예측 변수를 각 OUD 전이에 대해 компакт하고 해석 가능한 위험 요인 세트로 축소할 수 있는가?
• RQ3 식별된 위험 요인을 근거 기반 치료와 연결하고 치료 옵션의 우선순위를 정하기 위해 지식 그래프를 어떻게 활용할 수 있는가?

주요 결과

• 통증 관련 상태, 흡연/니코틴 사용, 및 정신 건강 장애가 OUD 발병의 두드러진 예측인자이다.
• 관해는 MAT/MOUD 노출 및 최근 임상 참여와 강하게 연관되며, 다른 물질 사용 및 불안 관련 예측인자도 중요하다.
• 재발 위험은 최근의 임상 활동 및 다약물 사용 지표와 연관되며, 극단적 위험 비hazard ratio는 희소 데이터나 복잡성을 반영하는 경우가 있다.
• 지식 그래프는 확립된 MOUD 약물을 우선순위로 제시하고 비-MOUD 후보군의 기전적 클러스터를 식별하여 가설 생성형 치료 옵션을 제공한다.

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