医疗补助参保者兴奋剂过量风险预测模型：一项基于个体与区域特征的前瞻性研究

来自美国的研究团队针对医疗补助参保人群，开发并验证了能够预测兴奋剂相关过量所致急诊或住院风险的预测模型。该研究利用2016-2020年Medicaid数据，通过加权Cox回归分析发现，既往物质使用障碍诊断及区域社会人口学变量能有效预测可卡因/甲基苯丙胺等兴奋剂过量风险（C统计量0.868-0.923），为实施靶向干预提供了精准工具。

　　

这项病例队列研究通过医疗补助(Medicaid)索赔数据（2016-2019年开发集/2020年验证集），构建了针对医疗补助参保人群的兴奋剂相关过量急诊就诊或住院风险预测模型。研究纳入78,795名15岁以上有过可卡因或其他兴奋剂（甲基苯丙胺、摇头丸等精神兴奋剂）暴露史的参保者，采用加权Cox比例风险回归模型进行分析。

模型涵盖个体层面预测因子（人口统计学特征、参保类型、医疗资源利用、临床诊断）和区域层面变量（美国社区调查社会经济数据、城乡分类、社会剥夺指数、阿片类药物零售配药率及医疗资源分布）。主要观测终点为四种兴奋剂相关过量类型：可卡因过量（伴/不伴阿片类药物）及其他兴奋剂过量（伴/不伴阿片类药物）。

结果显示：模型具有优异校准度和区分度（Harrell C统计量：可卡因+阿片类0.923，可卡因单用0.902；其他兴奋剂+阿片类0.909，其他兴奋剂单用0.868）。关键预测因子包括：①可卡因+阿片类过量：既往阿片使用障碍(OUD)或可卡因使用障碍诊断；②可卡因单用过量：可卡因使用障碍诊断+区域收入不平等/住房变量；③其他兴奋剂+阿片类：OUD病史+区域残疾人口比例；④其他兴奋剂单用：兴奋剂相关障碍诊断+区域营养援助计划(SNAP)参与率。

该研究表明，基于医疗补助系统常规数据构建的预测模型能精准识别高风险个体，为实施证据干预措施（如靶向减害教育、资源调配）提供了重要决策依据。