阿片类药物过量（OpOD）已成为北美地区日益严重的公共卫生危机，尤其在COVID-19大流行期间，其发生率显著上升。尽管已有研究尝试通过机器学习（ML）预测阿片类药物相关风险，但此前缺乏基于群体水平数据的个体化前瞻性预测模型。本研究利用加拿大阿尔伯塔省约400万居民的匿名化行政健康数据，开发并验证了一种ML模型，旨在预测未来一年内的OpOD事件。

研究基于2017年队列数据训练模型，预测2018年OpOD事件，并在2018-2020年队列中纵向验证其性能。为应对数据中OpOD事件稀少（约0.1%的群体发生率）导致的类别不平衡问题，研究采用欠采样技术生成50个平衡子样本，每个子样本包含等量的OpOD与非OpOD个体，并通过梯度提升算法（Gradient Boosting）训练模型。最终，通过集成学习（Ensemble Learning）整合50个子模型，显著提升了预测稳定性。

图1：机器学习流程图

模型在验证集中表现出色，平衡准确率达83.7%（2018年）、81.6%（2019年）和85.0%（2020年），受试者工作特征曲线下面积（AUC）分别为89.2%、86.9%和89.8%。关键预测因素包括：药物/酒精使用或依赖（相对重要性1.00）、抑郁症（0.60）、神经症/焦虑症迫症（0.46）、浅表皮肤损伤（0.40）及抑郁症相关医疗账单记录（0.36）。这些因素与文献中报道的OpOD风险因素一致，但ML模型首次在群体水平上整合多维度数据，实现了高精度的个体化预测。

研究还探讨了模型的实际应用潜力。例如，通过调整分类阈值，可在临床场景中优先筛查高风险个体，为针对性干预（如心理健康支持或社区宣教）提供依据。此外，模型可能为政策制定者提供数据支持，优化资源分配。然而，研究存在一定局限性：数据依赖ICD编码可能导致漏诊；模型在阿尔伯塔省开发，推广至其他地区需进一步验证；尽管采用欠采样技术，类别不平衡仍可能影响少数群体的预测性能。

图2：2018-2020年队列的ROC曲线展示模型预测性能

总之，本研究首次证明基于群体健康数据的ML模型可准确预测个体未来的OpOD风险，为公共卫生干预和政策规划提供了新工具。未来研究需探索更高效的数据平衡方法，并推动模型在多中心临床环境中的实际应用。

原始出处：
Liu, Y.S., Pierce, D.V., Metes, D. et al. Population-level individualized prospective prediction of opioid overdose using machine learning. *Mol Psychiatry* (2025). https://doi.org/10.1038/s41380-025-02992-4

Tags： Molecular Psychiatry：基于机器学习模型准确预测阿片类药物过量风险