Artificial Intelligence for Predicting Treatment Adherence in Opioid Use Disorder: A Scoping Review
Notice bibliographique
Résumé
Abstract Background and Aim Opioid use disorder (OUD) is a chronic condition in which an individual engages in the persistent use of opioids that causes significant distress and negatively impacts their societal functioning. Treatment for OUD involves pharmacological therapies such as methadone, buprenorphine, and naltrexone, typically used in combination with behavioral interventions such as counselling and cognitive behavioural therapy. However, non-adherence to OUD treatment is high, potentially leading to negative outcomes like relapse and increased risk of overdose. Therefore, identifying patients at risk of treatment nonadherence is essential to ensure that OUD is adequately managed. Models utilizing AI and ML techniques have emerged as promising candidates to achieve risk stratification in this patient population. We conducted a scoping review to capture and systematically map existing literature on AI and ML applications predicting adherence to treatment in individuals with OUD. Methods Ovid MEDLINE, Embase, PsycINFO, Web of Science, Scopus, CINAHL, IEEE Xplore, and ACM Digital Library were searched to identify and obtain peer-reviewed empirical research articles published from inception to October 7, 2024. Twenty-two studies were selected to be included in the review. Results All studies that matched our search criteria were published after 2018 and predominantly conducted in the United States. Random forest models were frequently identified as the top performer although significant variability in algorithms, evaluation metrics, and key predictors was noted in the literature. Conclusion The need for future research to cover more geographical locations, diversify patient populations, focus on a standardized group of models and outcomes, and utilize larger samples was highlighted.
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 | 0,013 | 0,070 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,007 |
| Bibliométrie | 0,017 | 0,015 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».