基于深度学习纵向电子健康记录的阿片类药物使用障碍一年风险预测模型

《npj Digital Medicine》：A generalizable deep learning model for predicting opioid use disorder using language modeling for cross-EHR data harmonization

摘要

美国阿片类药物使用障碍（OUD）的流行已成为一个重大的公共卫生危机。我们开发了OUD-REY（阿片类药物使用障碍一年风险评估）模型——这是一个基于深度学习的应用，它利用“All of Us”研究项目中 longitudinal 电子健康记录（EHR）数据来预测接受阿片类药物处方的患者在一年内的使用障碍风险。在内部验证中，OUD-REY 的平均切除率（AUROC）达到91.2%，曲线下面积（AUPRC）达到77.0%。我们采用了预训练的语言模型来处理患者纵向电子健康记录中数千个未见过、不在词汇库中的临床特征。我们在外部验证中使用了“All of Us”项目发布的一个与新开发数据集在时间上分离的数据集，以及包含来自全国退伍军人事务部（VA）医疗机构约600万患者20年数据的数据集进行验证。在外部验证中，该模型在时间分离的“All of Us”验证数据集上的平均切除率和曲线下面积分别为86.4%和23.1%（OUD患病率为2.9%）；在VA数据集上的平均切除率和曲线下面积分别为85.5%和19.5%（OUD患病率为3.5%）。公平性审计显示，该模型对不同性别、种族和民族背景的患者总体上来说是公平的。该模型有望改善阿片类药物使用障碍的预防和护理。