Artificial intelligence interventions focused on opioid use disorders: A review of the gray literature
Notice bibliographique
Résumé
BACKGROUND: With the artificial intelligence (AI) paradigm shift comes momentum toward the development and scale-up of novel AI interventions to aid in opioid use disorder (OUD) care, in the identification of overdose risk, and in the reversal of overdose. OBJECTIVE: As OUD-specific AI interventions are relatively recent, dynamic, and may not yet be captured in the peer-reviewed literature, we conducted a review of the gray literature to identify literature pertaining to OUD-specific AI interventions being developed, implemented and evaluated. METHODS: Gray literature databases, customized Google searches, and targeted websites were searched from January 2013 to October 2019. Search terms include: AI, machine learning, substance use disorder (SUD), and OUD. We also requested recommendations for relevant material from experts in this area. RESULTS: This review yielded a total of 70 unique citations and 29 unique interventions, which can be sub-divided into five categories: smartphone applications (n = 12); healthcare data-related interventions (n = 7); biosensor-related interventions (n = 5); digital and virtual-related interventions (n = 2); and 'other', i.e., those that cannot be classified in these categories (n = 3). While the majority have not undergone rigorous scientific evaluation via randomized controlled trials, several AI interventions showed promise in aiding the identification of escalating opioid use patterns, informing the treatment of OUD, and detecting opioid-induced respiratory depression. CONCLUSION: This is the first gray literature synthesis to characterize the current 'landscape' of OUD-specific AI interventions. Future research should continue to assess the usability, utility, acceptability and efficacy of these interventions, in addition to the overall legal, ethical, and social implications of OUD-specific AI interventions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,003 |
| Bibliométrie | 0,016 | 0,014 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».