SCOPE项目的开发：社会与临床阿片类药物使用障碍易感性评估

《Journal of Addiction Medicine》：Development of SCOPE: Social and Clinical Opioid Use Disorder Predisposition Evaluation

　　目标：本研究旨在识别与阿片类药物使用障碍相关的社会健康决定因素、人口统计学特征及临床特征，进而开发一种名为“社会和临床阿片类药物使用障碍易感度评估工具”（SCOPE）的风险计算器，供临床医生在诊疗时用于对患者进行风险分层。方法：研究使用了“我们所有人”研究计划中的参与者数据。通过多变量逻辑回归分析，确定与阿片类药物使用障碍相关的各种社会健康决定因素、人口统计学特征及临床预测因子。阿片类药物使用障碍的因变量定义为在参与者完成涉及社会健康决定因素的调查后90天及以上才被诊断出的情况。利用模型计算得到的比值比构建基于分数的计算器SCOPE，并通过接收者操作特征曲线下面积、灵敏度及特异性来评估模型性能。结果：共有624,431名参与者纳入研究，其中2475人（0.39%）在调查完成后90天及以上被诊断出患有阿片类药物使用障碍。通过10折交叉验证评估SCOPE的性能，其平均接收者操作特征曲线下面积为0.85[0.011]，特异性为78%[0.16%]，灵敏度也为78%[2.42%]。将临界分值设为8作为高风险标准时，灵敏度为0.79[95%置信区间：0.76–0.83]，特异性为0.76[95%置信区间：0.75–0.76]，阳性似然比为3.35，阴性似然比为0.26。结论：我们确定了与个体及社会健康决定因素相关的阿片类药物使用障碍风险因素，并开发了SCOPE工具，该工具可作为临床决策辅助工具，帮助实现针对个体风险的精准识别。2023年，有890万12岁及以上的人群滥用阿片类药物。虽然处方阿片类药物的滥用现象依然普遍，但美国疾病控制与预防中心2023年的初步数据显示，过量用药危机主要由非法制造的芬太尼引发，而几乎所有近8万例与阿片类药物相关的过量死亡案例都与芬太尼有关。阿片类药物滥用指的是以非处方方式使用阿片类药物，包括使用更高剂量、更频繁地用药或出于非医疗目的使用此类药物。异常的阿片类药物相关行为是指那些可能表明存在问题使用的可观察行为（如提前申请续药、丢失处方、频繁更换医生），但这些行为并非诊断依据，也可能反映出疼痛未得到充分治疗或其他相关因素。相比之下，阿片类药物使用障碍是一种根据《精神疾病诊断与统计手册》第五版标准确定的临床诊断，其特征是存在不健康的阿片类药物使用模式，从而导致显著的临床功能损害或痛苦。通过识别相关风险因素，为高风险人群提供一级预防策略，对于防止阿片类药物使用障碍的发生至关重要。目前已有多种阿片类药物风险评估工具被用于预测阿片类药物滥用及其后续发展为阿片类药物使用障碍的风险，其中“阿片类药物风险工具”（ORT）是临床实践中最常用的筛查工具之一。ORT是一种简短的自我评估工具，包含10个问题，主要涉及个人及家族的药物滥用史、青春期前的性虐待史、年龄以及某些精神疾病诊断情况。该工具在初期显示出较强的区分能力，但最近的系统评价表明其准确性存在较大差异，灵敏度在0.25到0.83之间不等。Cheatle等人后来开发了ORT-OUD版本，这是一种经过改进的、不含权重的9项版本，专门用于预测阿片类药物使用障碍的发展风险，其性能优于原始工具。ORT和ORT-OUD都主要关注个体及家族层面的风险因素，几乎未考虑阿片类药物使用障碍产生的更广泛的社会背景。此外，由于该工具是在特定人群——主要为白种人且患有慢性非恶性疼痛并接受长期阿片类药物治疗的人群中开发和测试的，因此其在普通人群中的普适性可能值得担忧。社会健康决定因素与阿片类药物使用障碍的发展之间存在关联。这些因素反映的是结构性和情境性风险，而非患者自身的内在特征。失业、住房不稳定、教育程度及婚姻状况等变量，均反映了受政策、经济机会、结构性劣势及资源获取情况影响的动态社会状况。本研究旨在利用“我们所有人”研究计划中包含的60多万名参与者的数据库，从多元化的群体中识别出与阿片类药物使用障碍风险相关的社会健康决定因素、人口统计学/个体特征及临床特征，进而开发出SCOPE风险计算器，供临床医生在诊疗时作为决策辅助工具，帮助选择合适的阿片类药物处方方案。方法：研究人群：加州大学圣地亚哥分校机构审查委员会认为，由于该研究属于回顾性研究且使用的是去标识化数据，因此无需进行审查。“我们所有人”研究计划由美国国立卫生研究院牵头，已建立起一个包含约100万名参与者的多元化健康数据库，其中超过80%的参与者来自在生物医学研究中传统上代表性不足的群体。该研究的主要目标是基于社会健康决定因素、人口统计学特征及临床状况，识别普通人群中与阿片类药物使用障碍相关的具有统计学意义的危险因素。指标时间点为为患者收集社会健康决定因素数据的日期，在“我们所有人”项目中，这一日期对应于参与者完成相关调查的日期。阿片类药物使用障碍的发展则定义为在调查完成后至少90天内出现任何相关的诊断代码。数据提取：首先从“我们所有人”数据库（第8版本）中筛选出所有可用参与者，将其组成研究队列。阿片类药物使用障碍被设定为研究结果变量（医学系统命名法编码为75544000）。从“我们所有人”的调查数据中提取与社会健康决定因素相关的信息，这些数据来源包括“基础调查”“生活方式调查”以及“医疗保健获取与利用调查”。这些信息涵盖了社会健康决定因素的关键领域，如经济稳定性、教育机会与质量、医疗保健获取情况、社会与社区环境以及健康行为等。社会健康决定因素变量被定义为二元指标（存在与否）。如果回答缺失或记录为未知，则将其归类为该因素不存在（例如，未知的饮酒情况会被编码为不饮酒）。在筛选数据时，确保调查完成日期在阿片类药物使用障碍诊断日期之前至少90天，因此排除了所有已有阿片类药物使用障碍诊断史或在调查完成前90天以上就被诊断出该病的参与者，以避免出现“反向因果关系”分析的问题。设定90天的时间间隔是为了考虑阿片类药物使用障碍的发展与临床记录之间的时间差。那些仅有部分或全部调查数据的参与者并未被排除在外。此外，还根据相关的医学系统命名法编码，从电子健康记录中提取了参与者在调查完成之前的精神疾病诊断史，这些疾病包括抑郁症、双相情感障碍、精神分裂症、注意力缺陷障碍以及强迫症等。选择这些疾病是因为它们与ORT中所包含的精神疾病诊断种类一致。研究人群的纳入与排除标准：OUD表示阿片类药物使用障碍。模型构建与特征提取：所有统计分析均使用Python 3.10.4版本完成。从“我们所有人”项目提供的社会健康决定因素调查数据、人口统计学数据（如年龄、出生时分配的性别）以及精神疾病诊断信息中，共提取出了69个不同的特征。将研究队列的样本数据随机分为80%的训练集和20%的测试集。首先通过单变量逻辑回归分析，探究每个特征与阿片类药物使用障碍之间的关联程度。随后，使用包含全部69个特征的多变量逻辑回归模型在训练集上构建预测模型，并在测试集上测试其性能。之后通过特征选择，确定维持模型区分能力所需的最少特征数量，采用向前选择法，以接收者操作特征曲线下面积作为选择标准。模型性能评估：对于模型中的每个特征，我们都报告了其比值比、95%置信区间以及P值。由于共分析了69个特征，我们将统计显著性阈值设定为P<0.0007（经过Bonferroni校正）。在保留的测试集上测试了两种多变量回归模型：一种是包含所有预测变量的模型，另一种则是通过向前选择法确定的8个最终预测变量构成的模型。计算了这些模型的接收者操作特征曲线下面积、灵敏度及特异性（阈值设定为0.5的概率水平），并且通过非参数自助法（带替换）进行1000次重采样，计算出了这些指标的95%置信区间。风险评分的确定：随后利用该模型挑选出用于构建基于分数的风险计算器SCOPE的特征，该计算器可用于预测普通人群中的阿片类药物使用障碍风险。模型中的每个特征都会根据多变量逻辑回归分析得出的相应比值比分配得分，每个预测变量的比值比会四舍五入到小数点后第一位（例如，若比值比为1.48，则对应的得分为1.50）。根据先前的研究结果，那些具有保护作用的特征会被反向编码（例如，将“大学毕业生或拥有高级学位”改为“低于大学学历”），这样它们的作用就可以以比值比大于1的形式体现为风险因素，从而便于我们为其分配相应的得分。风险评分的验证：该模型首先在训练集上进行训练，然后在20%的保留测试集上使用接收者操作特征曲线下面积、灵敏度及特异性作为评估指标进行测试。此外，为进一步提升验证的可靠性，还对整个数据集进行了10折交叉验证，以评估SCOPE的性能。我们还通过随机减少非阿片类药物使用障碍病例的数量，使研究队列中的阿片类药物使用障碍患病率降至1%，从而进行了子集分析，因为初始的“我们所有人”研究群体中，无论调查信息是否完整，阿片类药物使用障碍的患病率约为1.8%。另外，由于存在阿片类药物使用障碍与不存在该障碍的群体在人口统计学分布上存在差异，我们在测试集上创建了10:1（非阿片类药物使用障碍:阿片类药物使用障碍）的倾向性评分匹配队列，并在该群体中计算了模型的性能。倾向性评分匹配采用的是不带替换的最近邻匹配方法。研究人群： “我们所有人”项目中的所有可用参与者共633,547人，其中11,581人（1.82%）后来被诊断出患有阿片类药物使用障碍。在调查期与监测期之间的时间段内，有124,835人（19.7%）被开了阿片类药物处方。在这些人群中，有624,431人（98.5%）有可用的调查数据，其中2475人（0.39%）在调查完成后90天及以上才被诊断出患有阿片类药物使用障碍。表1展示了初始研究队列的各项特征。调查完成与阿片类药物使用障碍诊断之间的平均[四分位数]天数为717天[290, 1070]。表1 非阿片类药物使用障碍组与阿片类药物使用障碍组参与者的基本人口统计学分布特征类别非阿片类药物使用障碍组，人数（%）阿片类药物使用障碍组，人数（%）总计，人数（%）PTotal621,9562475624,431调查时的年龄（均值±标准差）50.6±17.148.8±13.950.6±17.1P值<0.0001种族　白人351,734（56.6）1088（44.0）352822（56.5）P值<0.0001　黑人97,192（15.6）738（29.8）97,930（15.7）　其他种族65,487（10.5）241（9.7）65,728（10.5）　未知107,543（17.3）408（16.5）107,951（17.3）民族　西班牙裔110,962（17.8）410（16.6）111,372（17.8）P值=0.0016　非西班牙裔493,658（79.4）1969（79.6）495,627（79.4）　未知17,336（2.8）96（3.9）17,432（2.8）出生时的性别　女性390,168（62.7）1201（48.5）391,369（62.7）P值<0.0001　男性225,688（36.3）1228（49.6）226,916（36.3）　未知6100（1.0）46（1.9）6146（1.0）OUD表示阿片类药物使用障碍。已确定的阿片类药物使用障碍风险因素：补充表1提供了单变量逻辑回归分析的结果，这些分析研究了所提出的69个特征与阿片类药物使用障碍之间的关联情况，相关内容见补充数字资料，链接为https://links.lww.com/JAM/A844。使用全部特征（69个预测因子）的多变量逻辑回归模型与经过特征选择后（8个预测因子）的模型，其AUROC值分别为0.86 [95% CI]和0.85 [95% CI]（见表2）。表2 性能指标（AUROC、特异性、敏感性）：对研究人群三种变体中三种回归模型的评估AUROC特异性敏感性模型全体人群调整后人群倾向评分匹配人群全体人群调整后人群倾向评分匹配人群全体人群调整后人群倾向评分匹配人群包含所有预测因子的模型0.86 [0.85–0.88]0.87 [0.86–0.88]0.83 [0.81–0.85]0.78 [0.78–0.79]0.79 [0.78–0.79]0.72 [0.71–0.73]0.80 [0.77–0.84]0.81 [0.77–0.84]0.80 [0.77–0.84]包含8个选定预测因子的模型0.85 [0.83–0.86]0.85 [0.84–0.86]0.81 [0.79–0.83]0.78 [0.78–0.79]0.78 [0.78–0.78]0.71 [0.70–0.72]0.78 [0.75–0.82]0.79 [0.75–0.82]0.78 [0.74–0.82]SCOPE0.85 [0.83–0.86]0.85 [0.84–0.86]0.81 [0.79–0.83]0.78 [0.78–0.79]0.78 [0.78–0.78]0.71 [0.70–0.72]0.78 [0.74–0.82]0.78 [0.75–0.82]0.78 [0.74–0.82]这三种回归模型分别是：(1) 使用所有可用特征（69个特征）的多变量逻辑回归；(2) 基于向前选择法进行特征筛选后的多变量逻辑回归（8个特征）；(3) SCOPE，一种基于点数的风险计算工具，根据与模型2相关的回答来赋予分数。AUROC表示接收者操作特征曲线下的面积；SCOPE即社会与临床阿片类药物使用障碍易感度评估工具。在经过特征筛选的多变量逻辑回归模型基础上，与阿片类药物使用障碍发病风险增加相关的最重要特征包括有抑郁症史（OR：3.26；95% CI：3.20–3.33）、失业（OR：3.16；95% CI：3.10–3.21）、有吸烟史（OR：2.89；95% CI：2.85–2.93）、有其他精神疾病史（包括注意力缺陷障碍、强迫症、双相情感障碍和/或精神分裂症）（OR：2.14；95% CI：2.06–2.22）、存在住房不稳定问题（OR：1.83；95% CI：1.80–1.87），以及男性性别（OR：1.47；95% CI：1.45–1.50）。相反，具有大学毕业生或更高学历（OR：0.31；95% CI：0.31–0.32）以及已婚状态（OR：0.58；95% CI：0.57–0.59）则与阿片类药物使用障碍发病风险降低相关（见图2）。图2 经过特征筛选的多变量逻辑回归后，阿片类药物使用障碍的统计学显著预测因子。OR表示比值比。SCOPE的开发接下来，人们开发了一种基于评分的风险计算工具来预测阿片类药物使用障碍，该工具将每个风险因素转化为相应的分数（依据的是经过特征筛选的多变量逻辑回归模型中的比值比）（见表3）。表3 SCORE中所包含的特征问题若回答为否，则赋分所赋分数模型对应的原始比值比您的出生性别为男性吗？是1.51.48您已婚吗？否1.81.77您目前有工作吗？否3.33.30您拥有大学学位吗？否3.03.04您曾经吸烟吗？是2.82.84在过去的6个月内，您是否有过住房问题？是1.71.74您曾经或现在是否有抑郁症？是3.23.21您曾经或现在是否有以下疾病：注意力缺陷障碍、强迫症、双相情感障碍和/或精神分裂症？是2.02.04第一列列出的是问题，第二列说明何种回答对应赋分，第三列为相应问题所对应的分数，第四列则为该特征在经过特征筛选的多变量逻辑回归模型中的原始比值比。SCOPE旨在根据各种社会、临床和人口统计因素来预测阿片类药物使用障碍的风险；它并不识别每个变量与阿片类药物使用障碍之间的具体因果关系。ADD指注意力缺陷障碍；OCD指强迫症；OUD指阿片类药物使用障碍。对于测试集中的每位参与者，会根据其所存在的风险因素来给出一个总分。在测试集上，SCOPE的AUROC值为0.85 [95% CI：0.83–0.86]，特异性为78% [95% CI：0.78–0.79]，敏感性也为78% [95% CI：0.74–0.82]（见表2）。此外，还通过对整个数据集进行10折交叉验证来评估该计算工具的性能，结果显示平均AUROC值为0.85 [0.011]，特异性为78% [0.16%]，敏感性为78% [2.42%]。为评估拟合优度，图3A显示了随着计算工具总分的升高，阿片类药物使用障碍患者比例逐步上升，其中第十分位数的比例最高。将8分定义为高风险阈值时，其敏感性为0.79 [95% CI：0.76–0.83]，特异性为0.76 [95% CI：0.75–0.76]，阳性似然比为3.35，阴性似然比为0.26。图3 当在以下群体中测试SCOPE时，不同得分区间内阿片类药物使用障碍患者的比例：A，测试集的全体人群；B，经年龄、性别和种族/民族匹配后的测试集。在调整后的子群体上对SCOPE的验证接下来，我们随机减少对照组样本量，使阿片类药物使用障碍的患病率上升到1%。新的小样本群体共有247,500人，其中2475人（1.0%）随后被诊断出患有阿片类药物使用障碍。在该测试集上，SCOPE的AUROC值为0.85 [95% CI：0.84–0.86]，特异性为78% [95% CI：0.78–0.78]，敏感性为78% [95% CI：0.75–0.82]（见表2）。同样，通过对整个数据集进行10折交叉验证，SCOPE的平均AUC值为0.85 [0.01]，特异性为78% [0.26%]，敏感性为78% [1.68%]。作为敏感性分析，我们在测试集上创建了10:1比例的倾向评分匹配群体（基于性别、年龄、种族和民族）。在此情况下，SCOPE的AUROC值为0.81 [95% CI：0.78–0.83]，特异性为71% [95% CI：0.70–0.72]，敏感性为78% [95% CI：0.74–0.82]（见表2）。通过对整个数据集进行10折交叉验证，SCOPE的平均AUC值为0.81 [0.02]，特异性为72% [1.45]，敏感性为78% [2.42]。为评估拟合情况，图3B显示了随着计算工具总分的升高，阿片类药物使用障碍患者比例逐步上升，其中第十分位数的比例最高。作为另一项敏感性分析，我们纳入了所有患有阿片类药物使用障碍的患者，无论其调查完成时间与诊断时间之间间隔有多长，并将其加入测试集。更新后的测试集共有133,993人，其中9574人（7.14%）患有阿片类药物使用障碍。在这个扩大的测试集中，SCOPE的AUROC值为0.88（95% CI：0.88–0.89），特异性为0.78（95% CI：0.78–0.79），敏感性为0.83（95% CI：0.82–0.84）。讨论我们的研究报道了SCOPE在多样化人群中的开发及内部验证过程，其应用范围并不局限于特定患者群体（比如那些因非恶性疼痛而接受阿片类药物治疗的人）。SCOPE的设计初衷是供广泛使用，旨在帮助所有患者评估90天以上的阿片类药物使用障碍风险。不过，临床医生在使用此类工具时必须谨慎，以避免给被认定为高风险的患者带来污名化或提供不充分的护理。该工具应与其他紧急情况评估手段结合使用——例如，在为手术患者开始新的阿片类药物治疗时评估风险。临床指南建议使用风险评估工具来识别那些有较高阿片类药物滥用或使用障碍风险的患者，目前也有不少努力在开发阿片类药物风险评估工具，以改进诊疗流程，为临床医生和患者在整个阿片类药物治疗过程中提供支持。由于SCOPE仅有8个问题，因此可能可以通过手动方式填写，而无需整合到电子健康记录系统中。这一点尤为重要，因为那些信息技术资源和基础设施较为匮乏的地区可能无法从依赖数字系统的工具中受益。此外，许多问题所对应的答案并非能够轻易从电子健康记录中获取（比如“在过去的6个月内，您是否有过住房问题？”）。有一些特定的患者群体可能会从采用SCOPE中受益。需要明确的是，SCOPE并非用于判断在严重急性疼痛情况下是否需要使用阿片类药物，比如重大创伤、烧伤伤势，或是大型手术后的即时术后疼痛。在这些情况下，是否使用短期阿片类药物的决策仍应基于疼痛本身的状况、预期的组织损伤程度、对非阿片类药物治疗的反应，以及标准的围手术期或创伤护理方案。相反，SCOPE可作为辅助工具，帮助临床医生在对门诊患者开具阿片类药物处方时进行风险分层，让医生在是否开药、开多少药、多久随访一次患者以及是否需要额外支持等方面有更多自主判断空间。在美国的一个大型群体研究中，Brummett等人发现，无论是小型还是大型手术之后都可能出现新的持续性阿片类药物使用情况，而且这种情况与患者个体因素的相关性要高于手术规模本身。2022年的CDC临床实践指南建议，临床医生应给予最低有效剂量的阿片类药物，使用时间不应超过预期嘅严重疼痛持续时间，同时要结合对风险与益处的个性化评估。这样一来，就可以将有限资源集中在高风险患者身上，措施包括：(1)利用过渡性疼痛诊所，这类机构采用多学科综合方法来管理那些可能面临阿片类药物风险的患者，旨在通过解决康复过程中的身体及心理社会问题来降低阿片类药物依赖的发生率；(2)开具成本更高但较新的非阿片类镇痛药，如苏泽特里吉宁；(3)利用处方药监测项目来加强对高风险患者的阿片类药物监测；或者(4)考虑采用微创干预方法来治疗亚急性疼痛，比如冷冻神经溶解术或外周神经调节术。对于慢性疼痛而言，SCOPE的作用在于补充常规处方决策中往往容易被忽视的信息，尤其是与社会健康相关因素。先前的研究已经表明，阿片类药物使用障碍的风险不仅受临床因素的影响，比如既往的药物使用史、精神疾病共病情况以及较年轻的年龄，还受到社会和结构层面脆弱性的影响。这些因素都支持将SCOPE作为工具，用来识别那些可能需要更谨慎地开具阿片类药物、需要加强随访、需要纳洛酮使用指导、需要疼痛或成瘾问题专家协助，或是更需要优先采用非阿片类及多种治疗策略的患者。用于开发SCOPE的“我们所有人”研究项目数据集涵盖了来自不同社会健康背景的庞大且种族和民族多元化的群体。目前常用的阿片类药物风险评估工具包括疼痛患者筛查与评估工具（SOAPP）、改良版SOAPP（SOAPP-R）、ORT工具，以及诊断、难治性、风险和效果评估工具（DIRE）。其中，改良版阿片类药物风险工具（针对阿片类药物使用障碍的ORT-OUD）是唯一专门用于预测阿片类药物使用障碍发病风险的工具（而非阿片类药物滥用/过量风险）。尽管ORT-OUD在预测那些因慢性非恶性疼痛而长期接受阿片类药物治疗的患者是否会患上阿片类药物使用障碍方面表现优异，但其研究对象仅为白种人，这可能限制了其普遍适用性。事实上，目前仍然缺乏一种既适用于普通人群，又能在不同种族和民族群体中有效使用的筛查工具。据我们所知，我们的研究是首个填补这一空白的研究。不过，与其他风险评估工具一样，这一工具也需要结合其他临床评估结果和医疗记录一起使用。SCOPE独特地整合了多项与先前研究结果一致的社会和个人风险因素。就业状况，尤其是失业状态，与阿片类药物使用障碍的发病风险增加有关。阿片类药物的使用往往与尼古丁使用同时发生，而在阿片类药物使用障碍患者中，吸烟的患病率是一般人群的4到5倍。住房状况也是影响阿片类药物使用风险的重要因素，有研究表明，无家可归者出现阿片类药物过量反应的风险更高。拥有大学学位或更高学历的人，相较于教育水平较低的人群，患阿片类药物使用障碍的风险更低。社交网络联系可能有助于改善阿片类药物使用障碍的治疗效果，类似地，婚姻状况也会影响该疾病的发病风险，没有伴侣且未婚的患者患阿片类药物使用障碍的风险更高。在物质使用障碍患者中常见的其他共病情况还包括抑郁症和焦虑症等精神疾病。这些个体化因素以及与社会健康相关的因素，使得临床医生能够更精准地识别出具有较高阿片类药物使用障碍风险的患者。本研究的主要局限性在于其回顾性设计。SCOPE旨在根据各种社会、临床和人口统计因素来预测阿片类药物使用障碍的风险，但它并不能明确每个变量与阿片类药物使用障碍之间的具体因果关系。由于我们只是开发出了一种潜在的临床筛查工具，因此还需要在更多样化的群体中进行进一步的前瞻性验证研究，重点关注特定应用场景，比如在急性疼痛和慢性疼痛治疗过程中是否需要开始或继续使用阿片类药物。这项研究还存在其他一些限制。首先，通过“All of Us”项目收集的自我报告数据具有主观性，因为患者可以有选择地披露健康信息。需要强调的是，SCOPE中涉及的社交健康状况及个体风险因素属于动态变化的因素，不同患者在不同时间点的状况可能有所差异。此外，只有那些提供了可用于提取社交健康状况数据的调查信息的患者才被纳入分析，而这可能会引入选择性和检测偏差。虽然所有患者都完成了基础调查，但我们排除了那些在调查开始前（以及调查完成后90天内）已被诊断为酒精使用障碍的患者。如果不采用这些排除标准，普通人群中的酒精使用障碍患病率为1.82%；而仅纳入那些在调查完成后90天及以上才被诊断出酒精使用障碍的参与者时，这一比例降至0.39%。这种选择性和检测偏差意味着，那些完成了详细社交健康状况调查的人可能与未完成调查的人存在本质差异。为进一步评估该模型的普遍适用性，还需要针对慢性疼痛或急性疼痛等特定患者群体进行更多验证实验。另外，本研究中的酒精使用障碍是通过诊断代码来定义的，而这些代码可能无法准确记录或更新，也无法完全符合《精神疾病诊断与统计手册》第五版中的所有诊断标准，这也是利用电子健康记录数据研究酒精使用障碍的一个重大局限。此外，社交健康状况是会随时间变化的，因此如果患者的状况发生变化，仅一次的调查结果可能就无法准确反映其现状。总之，这项研究确定了与个体因素及社交健康状况相关的酒精使用障碍关键风险因素，并据此开发出了SCOPE工具，该工具可作为辅助临床决策的工具，用于识别个体的酒精使用障碍风险。未来的研究应致力于在现实环境中对外部验证SCOPE的有效性。