利用尿液药物检测数据生成美国药物过量死亡的实时评估模型

这篇研究通过横断面分析（cross-sectional study）评估了利用尿液药物检测（UDT）数据预测美国国家级药物过量死亡趋势的可行性。研究纳入3 135 748份尿液样本，建立负二项分布广义线性模型，其预测误差（MAPE 7.1%）显著优于传统时间序列模型（ARIMA）。模型成功捕捉到COVID-19大流行初期过量死亡的激增，证实UDT数据可作为填补CDC死亡数据6个月滞后的有效工具。

　　

引言

美国自2000年以来因药物过量死亡人数超百万，其中2020-2023年占比达40%。芬太尼（fentanyl）向西海岸扩散、多物质滥用（polysubstance use）模式演变及COVID-19大流行的叠加效应，使过量死亡监测面临严峻挑战。尽管CDC临时数据滞后已缩短至6个月，但突发性事件（如2020年疫情初期死亡激增30%）仍凸显实时预测的必要性。

方法

研究纳入Millennium Health实验室2015-2025年3 135 748份UDT数据（57.2%男性，平均年龄38.1岁），通过液相色谱-串联质谱（LC-MS/MS）检测芬太尼和甲基苯丙胺（methamphetamine）的阳性率及肌酐标准化浓度。采用4年滚动训练窗口构建负二项广义线性模型，纳入季节变量和人口对数偏移量，以MAE、MAPE和RMSE评估预测精度，并与自回归积分滑动平均模型（ARIMA）对比。

结果

2019-2024年8月全美记录537 104例过量死亡，模型预测显示：

• 精度优势：UDT模型月度误差540.9例（MAPE 7.1%），显著优于ARIMA模型（704.9例，MAPE 9.0%）。
• 时间敏感性：滞后窗口首月预测误差最低（MAE 415.8），第六月误差升至661.5例，但仍优于ARIMA（1013.9例）。
• 关键事件捕捉：2020年3-5月死亡激增（7198→9375例）被模型提前1个月预警，预测值较实际高500-800例；2023年后期的死亡下降趋势亦被准确追踪。

讨论

UDT数据通过反映药物使用流行度（如芬太尼阳性率从2015年1.8%飙升至2021年峰值14.6%）和剂量变化（芬太尼浓度2023年达646.0 ng/mg峰值），为死亡预测提供生物标志物。模型局限性包括：线性假设可能低估复杂毒理学关联，单源数据代表性不足，且未整合地理变异因素。未来可结合缉毒数据（drug seizures）和症状监测（syndromic surveillance）提升预测维度。

结论

该研究首次证实UDT数据能有效填补死亡监测的6个月空白期，尤其适用于突发公共卫生事件的早期预警。通过标准化实验室间数据共享和多源信息融合，此类模型有望成为公共卫生决策的实时仪表盘。