整合遗传与社会经济因素的多维度阿片类药物过量风险预测模型的开发与验证

《Scientific Reports》：Integrated risk prediction for opioid overdose: combining genetic and socioeconomic factors

　　

摘要

本研究开发并验证了一个整合遗传和社会经济因素的多维度预测模型，用于评估阿片类药物过量风险，旨在促进个体化风险评估，并为早期临床识别和预防策略提供依据。在本回顾性研究中，共纳入340例有阿片类药物使用史的患者。参与者按7:3的比例随机分配至训练集（n?=?238）或验证集（n?=?102）。候选变量包括遗传变异、社会经济决定因素、临床参数和合并症，初始采用单因素分析进行筛选。随后，应用最小绝对收缩和选择算子（LASSO）回归和多因素逻辑回归进行变量选择和独立预测因子识别。基于最终七个预测因子，构建了四种机器学习模型——随机森林、支持向量机、k近邻和梯度提升机。模型性能基于受试者工作特征曲线下面积（AUC）、校准曲线和决策曲线分析（DCA）进行评估。采用SHapley加性解释（SHAP）值增强模型可解释性。识别出七个阿片类药物过量的独立危险因素（P?<?0.05）。其中，既往过量史关联最强（比值比?=?3.192）。随机森林模型表现最优，训练集AUC为0.879，验证集AUC为0.774。其校准曲线最接近理想线。此外，DCA表明随机森林模型在10–30%风险阈值范围内具有更高的净获益。SHAP分析确认每日吗啡毫克当量和既往过量史为贡献最大的特征，与逻辑回归结果一致。成功开发并验证了阿片类药物过量风险预测模型。随机森林算法表现出最佳区分度、校准度和临床效用，为个体化风险评估提供了工具，以指导精准预防。