Utilizing Machine Learning for Early Intervention and Risk Management in the Opioid Overdose Crisis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
ABSTRACT This systematic review and meta‐analysis seek to identify prevalent machine learning (ML) models applied to outcomes related to illicit opioid use. Following PRISMA guidelines, we reviewed databases including MEDLINE, Embase, CINAHL, PsycINFO, and Web of Science, yielding 10,666 records. Of these, 6029 were unique, leading to 155 full‐text publications, with 69 studies meeting inclusion criteria. The inclusion criteria focused on two primary themes: the application of artificial intelligence and machine learning techniques, and opioid related substance use outcomes. The meta‐analysis focused on Area Under the Receiver Operating Characteristic curve (AUC/AUROC). Most of the studies used classification models and evaluated them using the AUC metric. Cohen's d effect sizes were 1.22 for logistic regression (AUC = 0.806), 1.26 for decision trees/random forests (AUC = 0.814), 1.54 for deep learning (AUC = 0.862), and 1.27 for boosting algorithms (AUC = 0.815). Regarding outcomes, effect sizes were 1.42 for opioid use disorder (OUD) (AUC = 0.842), 1.37 for opioid overdoses (AUC = 0.842), and 1.25 for risk of drug use (AUC = 0.812). The study reveals the efficacy of ML in illicit opioid use, with a notable predominance of supervised ML models, particularly Logistic Regression. The underutilization of regression models, despite their potential in outcome quantification, was surprising. Deep learning emerged as the most effective model, demonstrating the complexity of data in addiction psychiatry. ML algorithms provide a powerful framework for informed decision‐making in addiction care, leading toward personalized medicine and reducing unregulated drug use and related harms.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle