[论文解读] Identifying Risk of Opioid Use Disorder for Patients Taking Opioid Medications with Deep Learning

Xinyu Dong, Jianyuan Deng+7 more|arXiv (Cornell University)|Oct 9, 2020

Machine Learning in Healthcare参考文献 29被引用 5

一句话总结

本研究提出了一种基于长短期记忆（LSTM）网络的深度学习方法，通过分析患者的电子健康记录（EHR）历史，预测处方阿片类药物患者出现阿片类药物使用障碍（OUD）的风险。该模型的F1分数达到0.8023，曲线下面积（AUROC）为0.9369，优于传统机器学习方法，并识别出阿片类药物使用障碍相关药物和生命体征等关键临床特征。

ABSTRACT

The United States is experiencing an opioid epidemic, and there were more than 10 million opioid misusers aged 12 or older each year. Identifying patients at high risk of Opioid Use Disorder (OUD) can help to make early clinical interventions to reduce the risk of OUD. Our goal is to predict OUD patients among opioid prescription users through analyzing electronic health records with machine learning and deep learning methods. This will help us to better understand the diagnoses of OUD, providing new insights on opioid epidemic. Electronic health records of patients who have been prescribed with medications containing active opioid ingredients were extracted from Cerner Health Facts database between January 1, 2008 and December 31, 2017. Long Short-Term Memory (LSTM) models were applied to predict opioid use disorder risk in the future based on recent five encounters, and compared to Logistic Regression, Random Forest, Decision Tree and Dense Neural Network. Prediction performance was assessed using F-1 score, precision, recall, and AUROC. Our temporal deep learning model provided promising prediction results which outperformed other methods, with a F1 score of 0.8023 and AUCROC of 0.9369. The model can identify OUD related medications and vital signs as important features for the prediction. LSTM based temporal deep learning model is effective on predicting opioid use disorder using a patient past history of electronic health records, with minimal domain knowledge. It has potential to improve clinical decision support for early intervention and prevention to combat the opioid epidemic.

研究动机与目标

• 开发一种预测模型，用于识别处方阿片类药物患者中高风险发展为阿片类药物使用障碍（OUD）的个体。
• 利用涵盖多次临床就诊的电子健康记录（EHR）数据，以改善OUD风险的早期检测。
• 比较深度学习模型（特别是LSTM）与传统机器学习方法（如逻辑回归和随机森林）的性能。
• 从EHR数据中识别对OUD风险预测贡献最大的临床相关特征。
• 通过支持早期干预，辅助临床决策，以减轻阿片类药物流行病的影响。

提出的方法

• 从Cerner Health Facts数据库中提取2008年1月至2017年12月期间处方含阿片类药物的患者的纵向EHR数据。
• 基于患者最近五次临床就诊记录构建患者序列，以捕捉健康记录中的时间模式。
• 应用长短期记忆（LSTM）网络对EHR数据中的时间依赖性进行建模，以实现OUD风险预测。
• 训练并评估多种模型，包括逻辑回归、随机森林、决策树、全连接神经网络和LSTM，以进行性能比较分析。
• 使用特征重要性分析，从训练好的LSTM模型中识别出关键预测因子，如OUD相关药物和生命体征。
• 采用标准指标评估模型性能：F1分数、精确率、召回率和AUROC（受试者工作特征曲线下面积）。

实验结果

研究问题

• RQ1 仅使用患者近期的EHR历史，深度学习模型能否有效预测未来阿片类药物使用障碍（OUD）风险？
• RQ2 基于LSTM的时间序列模型在预测OUD风险方面，与传统机器学习模型相比表现如何？
• RQ3 根据模型，EHR数据中的哪些临床特征对OUD发展最具预测性？
• RQ4 在深度学习模型中，最少需要多少领域知识即可实现OUD预测的高性能？
• RQ5 该模型能否通过在OUD发病前识别高风险患者，支持早期临床干预？

主要发现

• 基于LSTM的深度学习模型取得了0.8023的F1分数和0.9369的AUROC，显著优于逻辑回归、随机森林、决策树和全连接神经网络模型。
• 该模型表现出强大的泛化能力和时间建模能力，能够有效捕捉患者EHR数据中的纵向模式。
• OUD相关药物和生命体征被确定为模型决策过程中最重要的预测特征。
• 该模型在仅需极少领域知识的情况下仍实现了高性能预测，表明其具有在真实临床环境中部署的潜力。
• 结果表明，深度学习模型可有效用于早期识别高风险患者，从而实现及时的临床干预。
• 本研究证实，使用LSTM对EHR数据进行时间建模，是实现高精度和可解释性OUD风险预测的有前景方法。