开发一种可穿戴的基于传感器的阿片类药物依赖的数字生物标志物

科学领域:

• 数字健康数字健康
• 药物监督 药物监督 药物监督
• 机器学习在医学中的应用

背景情况:

• 暴露于阿片类药物会导致生理适应,这可能表明患阿片类药物使用障碍 (OUD) 的风险.
• 使用非侵入性传感器的数字药监提供了一种新的方法来监测阿片类药物使用并促进更安全的处方.
• 识别早期的依赖迹象对于管理OUD风险至关重要.

研究的目的:

• 为了识别与阿片类药物依赖相关的可穿戴传感器衍生特征.
• 为了比较未使用过阿片类药物的人与慢性阿片类药物使用者的生理适应.
• 开发一个机器学习模型来区分这些群体.

主要方法:

• 一项纵向观察性研究从接受阿片类止痛药的急性疼痛参与者收集了持续的生理数据.
• 在住院期间和出院7天后收集数据,结合电子健康记录和自我报告的阿片类药物管理.
• 机器学习模型使用30个传感器衍生特征和9个人口统计/临床特征进行了训练和验证.

主要成果:

• 分析了41名参与者和169名阿片类药物管理.
• 根据14个传感器和5个临床特征,开发了四个可解释的基于决策树的机器学习模型.
• 参与者级模型的性能显示精度在70%至90%,灵敏度在67%至100%,特异性在67%至100%.

结论:

• 可穿戴传感器数据可以生成数字生物标志物来预测阿片类药物使用状态 (天真与慢性).
• 鉴定的特征可能表明阿片类药物依赖.
• 进一步的研究应该探索阿片类药物依赖,戒断和重复性阿片类药物暴露中的过渡状态.