研究人员使用人工智能工具速度关键信息吸毒过量死亡
一个自动化的过程基于计算机算法可以读取文本进行医学检查的死亡证书可以大大加快数据收集的过量deaths-which反过来可以确保一个更快速的公共卫生比目前使用的系统响应时间,新加州大学洛杉矶分校的研究发现。
分析,8月8日发表在同行评议《美国医学会杂志》网络开放利用人工智能的工具快速确定物质引起过量死亡。
“过量危机在美国是头号死因年轻的成年人,但我们不知道实际的数量的过量死亡,直到几个月后,“助理教授大卫·Goodman-Meza博士研究铅医学分部的传染病在加州大学洛杉矶分校的大卫格芬医学院。“我们也不知道过量的数量在我们的社区,迅速公布的数据只有在州一级,在最好的。我们需要系统,快速得到这个数据,在地方公共卫生可以响应。机器学习和自然语言处理可以帮助填补这一缺口。”
现在,过量数据记录包括几个步骤,开始医学检查和验尸官确定死因和创纪录的怀疑吸毒过量在死亡证明,包括毒品导致死亡。证书,包括非结构化文本,然后送到当地的司法管辖区或疾病控制和预防中心(CDC)代码他们根据疾病和有关健康问题的国际统计分类,第十版(icd - 10)。这个编码过程是费时的,因为它可能是手动完成的。结果,有一个实质性的死亡日期之间的延迟时间和报告的死亡,这减缓了监测数据的释放。这反过来减缓公共卫生响应。
进一步复杂化的是,在这个系统下,不同的药物和不同的使用和影响聚合在同样的代码实例丁丙诺啡,部分阿片类药物用于治疗阿片样物质使用障碍,列出了合成阿片类药物芬太尼在同样的icd - 10编码。
在这项研究中,研究人员使用自然语言处理(NLP)和机器学习来分析2020年近35500的死亡记录从康涅狄格和9美国县:库克(伊利诺斯州);杰弗逊(阿拉巴马州);约翰逊,丹顿,Tarrant和帕克(德州),密尔沃基(威斯康辛州)和洛杉矶和圣地亚哥。他们检查结合NLP,如何使用计算机算法理解文本,机器学习可以自动化大量数据的解译精度和准确性。
他们发现,8738年的过量死亡记录最常见的特定物质被芬太尼(4758年54%),酒精(2866 33%),可卡因(2247 26%),甲基苯丙胺(1876 21%),海洛因(1613 18%),处方阿片类药物(1197 14%),以及任何苯二氮(1076年12%)。其中,只有这个方法下苯二氮卓类的分类是次优的,而其他的则是完美或接近完美。
最近美国疾病控制和预防中心发布的初步数据过量,刚四个月后死亡,Goodman-Meza说。
“如果这些算法嵌入法医办公室,时间可以减少早在毒理学测试完成,这可能是大约三周后死亡,”他说。
其余的过量死亡是由于其他物质如安非他命、抗抑郁药、抗精神病药、抗组胺药、抗惊厥药物,巴比妥酸盐,肌肉松弛剂,和hallucinogensThe研究者注意的研究存在一定的局限性,主要条件之一就是系统没有测试不太常见的物质,如抗惊厥药物或其他设计师药物,所以它是未知的,如果为这些工作。同时,考虑到模型需要依靠大量的训练数据进行预测,系统可能无法检测的新兴趋势。
但快速和准确的数据需要制定和实施干预措施遏制过量,研究人员写道,“这样的NLP工具应该被集成在数据监控工作流增加快速向公众传播的数据,研究人员和政策制定者。”
研究的合著者除了Goodman-Meza切尔西推,博士耶稣麦地那,琥珀Tang博士Bui加州大学洛杉矶分校的Steven Shoptaw和亚历克斯。
进一步探索
