患者报告的调查数据改进阿片类药物使用障碍的预测

# 患者报告调查数据改善阿片类使用障碍预测
来源：https://arxiv.org/html/2609.12224

\\institutes\\amiasuper

1纽约州立大学石溪分校应用数学与统计系，美国纽约州石溪；\\amiasuper2纽约州立大学石溪分校计算机科学系，美国纽约州石溪；\\amiasuper3纽约州立大学石溪分校生物医学信息学系，美国纽约州石溪；\\amiasuper4纽约州立大学石溪分校医学院精神病学系，美国纽约州石溪

丁梓涵\\amiasuper2†韩 Grace\\amiasuper3刘一楠\\amiasuper2Richard N\. Rosenthal\\amiasuper4王富生博士\\amiasuper2,3‡

†††两位作者贡献均等。††‡通讯作者：王富生（fusheng\.wang@stonybrook\.edu）。††分析代码可访问 https://github\.com/StonyBrookDB/AllOfUsOUDPrediction。††本研究得到患者结局研究中心（PCORI）资助，合同编号 ME\-2023C3\-35532。

## 摘要

电子健康记录（EHR）可能无法完整记录与阿片类使用障碍（OUD）相关的患者报告因素。我们评估了调查数据是否能够改善对267,747名有阿片类暴露记录的All of Us参与者中首次记录OUD诊断的预测，其中包括15,287例OUD病例。我们使用逻辑回归、随机森林、XGBoost、LightGBM、多层感知器、LSTM、GRU和Transformer模型，在6个月、12个月和24个月回溯窗口内比较了仅EHR模型和EHR+调查模型。调查增强在所有24种模型-窗口组合中均提升了PR-AUC（提升幅度为0.0087至0.0505）；最佳的24个月LightGBM模型从0.6219提升至0.6603。调查覆盖率随窗口期延长而增加，并因OUD状态而异（24个月时：OUD阳性组21.7% vs. OUD阴性组60.7%）。置换分析显示，在两个评估模型中，调查特征在24个月时被列为第二重要的信息域。患者报告数据提供了结构化EHR之外的补充预测信号，同时凸显了调查可获得性的重要性。

## 引言

阿片类使用障碍（OUD）以导致临床显著损害或困扰的阿片类使用问题模式为特征\[1 (https://arxiv.org/html/2609.12224#bib.bib1)\]。它在美国仍是重大的公共卫生负担，据估计影响400万12岁及以上人群，并导致2025年44,654例涉及阿片类的过量死亡\[18 (https://arxiv.org/html/2609.12224#bib.bib2), 2 (https://arxiv.org/html/2609.12224#bib.bib3)\]。在临床记录首次记录OUD之前识别高风险个体，可能为更早的临床评估创造机会并促进及时干预，从而有助于降低后续阿片类相关伤害（包括过量服用和死亡）的风险。

电子健康记录（EHR）提供丰富的纵向信息（例如诊断、药物、实验室结果、手术、生理测量和医疗利用情况），已成为基于机器学习（ML）预测OUD及其他阿片类相关结果的重要数据来源\[15 (https://arxiv.org/html/2609.12224#bib.bib4)\]。先前的预测研究主要依赖于常规收集的临床和管理数据，将患者的人口统计特征、精神病和物质使用史、疼痛相关临床史、药物暴露和医疗利用模式作为预测特征\[17 (https://arxiv.org/html/2609.12224#bib.bib5)\]。我们团队同样使用EHR历史来预测接受阿片类处方患者的阿片类相关疾病，最近还系统评估了基于诊断的特征选择如何影响OUD预测\[9 (https://arxiv.org/html/2609.12224#bib.bib6), 8 (https://arxiv.org/html/2609.12224#bib.bib7), 7 (https://arxiv.org/html/2609.12224#bib.bib8), 10 (https://arxiv.org/html/2609.12224#bib.bib9), 5 (https://arxiv.org/html/2609.12224#bib.bib10), 6 (https://arxiv.org/html/2609.12224#bib.bib11)\]。然而，仅基于常规记录临床数据的模型可能只能捕捉与OUD相关的部分风险状况。

OUD反映了临床、行为和社会因素的相互作用。在阿片类处方患者中，先前的物质使用障碍和精神共病（例如抑郁症、焦虑症和人格障碍）与后续OUD或问题性阿片类使用相关\[12 (https://arxiv.org/html/2609.12224#bib.bib12), 19 (https://arxiv.org/html/2609.12224#bib.bib13)\]。除这些临床和行为特征外，社会条件可能进一步塑造对阿片类相关伤害的易感性。最近的一项伞状综述发现，OUD与更广泛的社会健康决定因素（SDOH）（包括失业和不良童年经历）存在一致关联，并且其他社会经济因素也与阿片类过量相关\[13 (https://arxiv.org/html/2609.12224#bib.bib14)\]。然而，这些因素在EHR数据中常常表示不完整或不一致，当这些记录用于研究时，可能会引入缺失和误分类\[3 (https://arxiv.org/html/2609.12224#bib.bib15)\]。因此，EHR可能无法完全反映与OUD风险相关的更广泛背景。

患者报告信息可以通过捕捉临床数据中可能代表性不足的额外因素来补充EHR。All of Us研究计划非常适合评估它们的附加价值，因为它在一个大型且多样化的队列中结合了纵向EHR数据和参与者报告的调查数据\[14 (https://arxiv.org/html/2609.12224#bib.bib16), 4 (https://arxiv.org/html/2609.12224#bib.bib17)\]。参与者通过该计划的在线门户网站完成结构化问卷，提供有关健康行为、物质使用、社会经济和社会状况、身体和心理健康、日常功能、残疾以及医疗保健获取情况的信息，这些信息可能未在EHR中常规记录。先前的研究表明，从术前问卷（例如心理健康、疼痛、物质使用和社会经济状况的测量）得出的患者报告信息可以改善基于EHR的术后持续性阿片类使用预测\[11 (https://arxiv.org/html/2609.12224#bib.bib18)\]。然而，持续性阿片类使用与OUD不同，目前尚不清楚调查信息是否在纵向EHR数据之外为OUD提供增量的预测价值。

在本研究中，我们评估了整合参与者报告的调查信息是否能在仅EHR数据之外改善首次记录OUD诊断的预测。我们使用6个月、12个月和24个月回溯窗口，通过多种机器学习（ML）方法比较了仅EHR模型和EHR+调查模型。选择这些窗口是为了逐步捕获更长的诊断前病史。选择这些窗口部分是基于先前基于索赔的研究发现，在后续发展为OUD的患者中，OUD诊断平均发生在首次阿片类处方暴露后约10-12个月\[16 (https://arxiv.org/html/2609.12224#bib.bib19)\]。我们的主要目标是确定患者报告信息是否能持续改善EHR已捕获信息之外的OUD预测。

我们的研究有三个贡献。首先，它量化了参与者报告信息在纵向临床和人口统计特征之外的增量预测价值。其次，它测试了这种价值在基于线性、基于树、神经网络和序列模型以及多个观察窗口中是否一致。第三，它检查了对OUD预测贡献最强的信息域和单个调查问题。

## 方法

### 数据来源和研究队列

数据来自All of Us研究计划精选数据仓库，数据截止到2023年10月1日。研究队列包括267,747名至少有一次阿片类药物记录暴露的参与者，使用解剖治疗化学（ATC）代码N02A识别。其中，15,287名参与者有记录的OUD诊断（基于ICD-9-CM代码304.00–304.03或ICD-10-CM F11代码族），被分类为OUD阳性；其余252,460名被分类为OUD阴性，病例与对照的比例约为1:16.5。队列的基线特征总结在表1中（https://arxiv.org/html/2609.12224#Sx3.T1）。

表 1：队列的基线特征，总体及按阿片类使用障碍（OUD）状态划分。
变量 | 总体 | OUD阳性 | OUD阴性
--- | --- | --- | ---
患者数量 | 267,747 | 15,287 | 252,460
**性别** | | |
女性 | 165,095 (61.7%) | 7,562 (49.5%) | 157,533 (62.4%)
男性 | 97,451 (36.4%) | 7,321 (47.9%) | 90,130 (35.7%)
其他/未知 | 5,201 (1.9%) | 404 (2.6%) | 4,797 (1.9%)
**种族** | | |
亚裔 | 5,329 (2.0%) | 73 (0.5%) | 5,256 (2.1%)
黑人或非裔美国人 | 46,156 (17.2%) | 3,696 (24.2%) | 42,460 (16.8%)
白人 | 150,777 (56.3%) | 7,449 (48.7%) | 143,328 (56.8%)
多个种族 | 11,700 (4.4%) | 936 (6.1%) | 10,764 (4.3%)
其他/未知 | 49,531 (18.5%) | 2,618 (17.1%) | 46,913 (18.6%)
**既往阿片类过量** | 1,199 (0.4%) | 1,044 (6.8%) | 155 (0.1%)
**任何其他物质使用障碍** | 25,226 (9.4%) | 6,809 (44.5%) | 18,417 (7.3%)
酒精使用障碍 | 19,807 (7.4%) | 4,513 (29.5%) | 15,294 (6.1%)
可卡因使用障碍 | 8,147 (3.0%) | 3,517 (23.0%) | 4,630 (1.8%)
**任何心理健康状况** | 110,990 (41.5%) | 11,588 (75.8%) | 99,402 (39.4%)
抑郁症 | 83,287 (31.1%) | 9,578 (62.7%) | 73,709 (29.2%)
双相情感障碍 | 14,888 (5.6%) | 3,471 (22.7%) | 11,417 (4.5%)
焦虑症 | 81,678 (30.5%) | 9,149 (59.8%) | 72,529 (28.7%)
创伤后应激障碍 (PTSD) | 4,532 (1.7%) | 822 (5.4%) | 3,710 (1.5%)
**任何疼痛诊断** | 136,318 (50.9%) | 11,363 (74.3%) | 124,955 (49.5%)
背痛 | 75,319 (28.1%) | 7,106 (46.5%) | 68,213 (27.0%)
慢性疼痛（一般） | 89,665 (33.5%) | 9,623 (62.9%) | 80,042 (31.7%)
肌肉/肌肉骨骼/关节痛 | 36,063 (13.5%) | 3,784 (24.8%) | 32,279 (12.8%)
**苯二氮卓类药物使用** | 31,046 (11.6%) | 3,645 (23.8%) | 27,401 (10.9%)
**疼痛评分，均值 (标准差)** | 3.67 (3.02) | 5.80 (2.85) | 3.54 (2.98)
**有保险（自我报告）** | 248,889 (95.3%) | 13,772 (93.8%) | 235,117 (95.4%)
**收入** | | |
<2.5万美元 | 66,900 (31.4%) | 8,068 (69.4%) | 58,832 (29.2%)
2.5万-5万美元 | 40,530 (19.0%) | 1,850 (15.9%) | 38,680 (19.2%)
5万-10万美元 | 50,089 (23.5%) | 1,160 (10.0%) | 48,929 (24.3%)
>10万美元 | 55,374 (26.0%) | 542 (4.7%) | 54,832 (27.2%)
**住房稳定性问题** | 44,630 (16.9%) | 6,337 (42.5%) | 38,293 (15.4%)

### 时间设计

为每个参与者定义一个索引日期，以锚定纵向特征提取。对于OUD阳性病例，索引日期是首次记录的OUD诊断日期；对于OUD阴性对照，是记录中可用的最近一次医疗就诊日期。特征从索引日期前的6个月、12个月和24个月提取（图1 https://arxiv.org/html/2609.12224#Sx3.F1），代表逐渐延长的诊断前病史。这些窗口的选择部分基于我们团队使用Health Facts数据库的未发表分析，其中34.12%后来接受OUD诊断的患者在首次记录阿片类药物后1年内确诊，54.07%在2年内确诊。索引日期当天或之后记录的数据被排除，以防止时间泄露。

图 1：OUD阳性参与者和OUD阴性对照在6个月、12个月和24个月回溯窗口的时间设计。

### EHR衍生特征

分析纳入了EHR衍生特征（即人口统计学、诊断、药物、实验室测量、身体测量和临床观察）。每个领域的候选概念均基于其与OUD的临床相关性先验选择。所有特征均在索引日期前指定的回溯窗口内构建。为减少稀疏性，在每个回溯窗口内观察频率低于0.5%的临床概念被排除（表2 https://arxiv.org/html/2609.12224#Sx3.T2）。特征纳入阈值使用完整队列在训练/验证/测试分割前计算，并且仅基于特征频率，不使用OUD状态。

表 2：按数据来源和6个月、12个月、24个月回溯窗口划分的候选和保留概念/问题。

**人口统计学**：人口统计特征包括年龄、性别、种族、民族、出生时性别和自我报告类别（一个复合种族/民族变量）。

**疾病**：疾病特征包括诊断，如腰痛、坐骨神经痛、纤维肌痛、慢性疼痛综合征、酒精滥用、精神活性物质滥用、重度抑郁症、广泛性焦虑症和创伤后应激障碍。这些特征由其在每个回溯窗口内的发生次数表示。对于未记录某概念发生情况的参与者，计数为零。

**药物**：药物特征包括阿片类镇痛药（如羟考酮、氢吗啡酮、吗啡、芬太尼和曲马多）、非阿片类镇痛药（如布洛芬、酮咯酸和塞来昔布）、肌肉松弛剂（如环苯扎林、替扎尼定）、苯二氮卓类（如劳拉西泮、地西泮）和抗抑郁药（如舍曲林、度洛西汀）。这些特征使用上述相同的发生次数方法表示。

**实验室和身体测量**：实验室特征包括标准代谢、肝脏、血脂和血液检查面板（例如肌酐、丙氨酸氨基转移酶、总胆固醇和全血细胞计数），以及尿液毒理学面板（例如阿片类药物、芬太尼、羟考酮、美沙酮、丁丙诺啡、可卡因、大麻素、苯二氮卓类和安非他明）。身体测量特征包括体重、身高、体重指数、收缩压和舒张压、心率以及腰围和臀围。以不同单位记录的任何值首先转换为通用单位，然后在每个回溯窗口内使用三个特征进行汇总：计数、平均值和最新值。当没有可用测量值时，计数设置为零，而平均值和最新值保留为缺失。

**临床观察**：临床观察特征包括基于数字和发生次数的概念。数字观察（例如疼痛评分、吸烟、抑郁症筛查评估）使用与实验室和身体测量特征相同的方法，通过计数、平均值和最新值进行汇总。基于发生次数的观察（例如住房不稳定、记录的虐待、治疗不依从性和自我报告的饮酒）使用每个回溯窗口内的发生次数表示，当未记录发生情况时，计数为零。

### 参与者报告的调查数据

**调查来源和内容**：参与者报告信息来自四项All of Us研究计划调查：The Basics、Lifestyle、Overall Health和Social Determinants of Health16,17。The Basics在参与早期进行，捕捉人口统计和社会经济特征，包括就业、保险、住房和家庭生活信息。Lifestyle和Overall Health在完成The Basics后可获得。Lifestyle评估健康行为，包括烟草、酒精和娱乐性药物使用，而Overall Health评估总体健康、日常功能、疼痛以及身体和心理健康。Social Determinants of Health是在完成基线调查后可用的后续调查，捕捉...