无监督机器学习在纵向队列 (2008-2018) 中识别了阿片类药物缓和逆转模式
Monika Ray1,2, Joshua J Fenton2,3, Patrick S Romano1,2
1Department of Internal Medicine, School of Medicine, University of California Davis, Davis, California, United States of America.
在慢性疼痛患者中,快速降低阿片类药物剂量可能会增加不良事件. 无监督的人工智能识别了10个患者集群,其缩减速度各不相同,揭示了更快的缩减速度,特别是零度,与更多不良事件和死亡相关.
科学领域:
- 疼痛管理 疼痛管理
- 药理学 药理学是指药理学的学科.
- 医疗保健中的人工智能
背景情况:
- 长期的阿片类药物治疗对于慢性疼痛是常见的,但剂量减少策略尚不清楚.
- 快速降低阿片类药物剂量与不良事件有关,但患者异质性需要进一步调查.
- 了解患者子组对于安全的阿片类药物剂量管理和逐渐减少的协议至关重要.
研究的目的:
- 分析在经历逐渐缩减的多元国家队列中的阿片类药物剂量管理和患者特征.
- 根据使用人工智能的阿片类药物逐渐减少模式来识别不同的患者亚群.
- 为了比较不同阿片类药物逐渐减少的个人资料的不良事件和结果.
主要方法:
- 在国家索赔数据 (2008-2018) 上利用了光谱聚类,一种无监督的人工智能 (AI) 方法.
- 分析了30932名患有稳定的高阿片类药物剂量 (≥50MME) 的患者.
- 根据逐渐缩小的大小,速度,持续时间和终点确定了10个不同的患者群.
主要成果:
- 确定了十个患者集群,在基线上相似,但在逐渐缩小的特征上有所不同.
- 与缓慢逐渐减少 (55%) 相比,一个以中度快速逐渐减少至零剂量的集群 (42%) 显示了较高的与药物相关事件,心理健康问题和死亡率.
- 缩逆转的集群的不良事件发生率与缓慢缩的群体相似.
结论:
- 无监督人工智能有效地识别了阿片类药物逐渐减少数据中的临床意义上的模式和亚群.
- 减速速度,持续时间和最终剂量是影响患者结果的关键因素.
- 研究结果强调需要以患者为中心的护理和量身定制的逐渐缩减方案,特别是考虑到逐渐缩减的逆转.
更多相关视频
10:17High-throughput and Comprehensive Drug Surveillance Using Multisegment Injection-Capillary Electrophoresis-Mass Spectrometry
Published on: April 23, 2019
09:29Investigating Drivers of Antireward in Addiction Behavior with Anatomically Specific Single-Cell Gene Expression Methods
Published on: August 4, 2022
相关概念视频
Opioid Analgesics: Synthetic and Semisynthetic Opioids
Opioid Analgesics: Morphine and Other Natural Cogeners
Analgesia and Pain Management
Drug Abuse and Addiction: Pharmacological Phenomena
Drug Dependence
Opioid Receptors: Overview
