Predicting Risk of Heroin Overdose, Remission, Use, and Mortality Using Ensemble Learning Methods in a Cohort of People with Heroin Dependence
Notice bibliographique
Résumé
Abstract Despite decades of research demonstrating the effectiveness of treatments for heroin dependence, rates of heroin use, dependence, and death have dramatically increased over the past decade. While evidence has highlighted a range of risk and protective factors for relapse, remission, and other outcomes, this presents clinicians with the challenge as to how to synthesise and integrate the evolving evidence-base to guide clinical decision-making and facilitate the provision of personalised healthcare. Using data from the 11-year follow-up of the Australian Treatment Outcome Study (ATOS), we aimed to develop a clinical risk prediction model to assist clinicians calculate the risk of a range of heroin-related outcomes at varying follow-up intervals for their clients based on known risk factors. Between 2001 and 2002, 615 people with heroin dependence were recruited as part of a prospective longitudinal cohort study. An ensemble machine learning approach was applied to predict risk of heroin use, remission, overdose, and mortality at 1-, 5-, and 10 + year post-study entry. Variables most consistently ranked in the top 10 in terms of their level of importance across outcomes included age; age first got high, used heroin, or injected; sexual trauma; years of school completed; prison history; severe mental health disability; past month criminal involvement; and past month benzodiazepine use. This study provides clinically relevant information on key risk factors associated with heroin use, remission, non-fatal overdose, and mortality among people with heroin dependence, to help guide clinical decision-making in the selection and tailoring of interventions to ensure that the ‘right treatment’ is delivered to the ‘right person’ at the ‘right time’.
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 | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 ».