一个基于Web的工具,利用机器学习算法来预测紧急部门的非法药物使用情况
Tsung-Chien Lu1, Chih-Chuan Lin2, Te-I Weng3
1Department of Emergency Medicine, National Taiwan University Hospital, Taipei City, Taiwan; Department of Emergency Medicine, College of Medicine, National Taiwan University, Taipei City, Taiwan.
International journal of medical informatics
|July 6, 2025
概括
一个机器学习模型有效地预测了急诊室患者的非法药物使用情况,有助于早期识别. 这种工具有助于医生检测药物滥用,改善患者护理.
科学领域:
- * 紧急医疗 紧急医疗
- *临床毒理学 *临床毒理学
- * 数据科学数据科学
背景情况:
- * 快速识别非法药物使用至关重要,特别是在新兴的精神活性物质方面.
- * 传统的尿液检测方法在紧急情况下耗时.
- * 开发预测模型可以加快疑似病例的检测过程.
研究的目的:
- * 开发和验证用于早期预测非法药物使用的机器学习 (ML) 模型.
- * 确定急诊室 (ED) 数据中的关键特征,用于药物使用预测.
- *为急诊医生创建可访问的工具,以协助药物滥用监测.
主要方法:
- *使用了台湾紧急情况部药物滥用监测 (TEDAS) 数据库 (2020-2023) 的数据.
- *包括人口统计,分拣,转诊,症状,身体和临床数据作为特征.
- *经过训练和测试的监督ML算法 (随机森林,CatBoost,LightGBM) 使用时间数据分割和K折交叉验证,通过AUC评估性能.
主要成果:
- *分析了13615例ED病例,其中23.4%的检测结果为非法药物阳性.
- * CatBoost 分类器在测试组中获得了最高的性能,曲线下的面积 (AUC) 为0.846 (95% CI:0.831-0.859).
- * 开发并实施了基于Web的预测工具和移动应用程序.
结论:
- *开发的ML模型在预测ED患者非法药物使用方面表现出高效.
- * 该预测工具是免费访问的,支持急诊医生在临床决策中.
- *建议进行进一步的研究,以评估实施后的影响和国际适用性.


