基于机器学习框架的阿片类药物使用障碍康复者遭遇歧视的预测因素研究

阿片类药物使用障碍(OUD)康复者常面临社会歧视，严重影响治疗依从性和康复效果。来自未知机构的研究人员采用机器学习方法，通过纵向调查(n=112)构建预测模型，发现随机森林模型(R2=0.85)能有效预测歧视风险，关键预测因子包括康复时长、年龄和药物使用现状等，为针对性干预提供科学依据。

　　

这项研究深入探讨了阿片类药物使用障碍(opioid use disorder, OUD)康复者遭遇社会歧视(enacted stigma)的预测因素。采用机器学习技术，研究团队对112名参与者进行了为期三个月的纵向追踪，分别在潜在信息披露前后收集数据。

通过比较三种机器学习模型，随机森林(random forest)展现出最优预测性能，其R²值高达0.85，意味着模型能解释85%的歧视方差。关键预测指标包括：康复持续时间、年龄因素、信息披露选择、当前药物使用问题以及戒断承诺程度。

研究结果表明，康复时间较短、选择隐瞒病情、存在药物使用问题且较年轻的人群更容易遭受歧视。这些发现为临床干预提供了重要方向，提示需要针对特定特征的OUD患者制定反歧视策略，以改善治疗效果并促进长期康复。值得注意的是，研究采用的机器学习框架为复杂社会心理因素的量化分析提供了新思路。