Developing machine learning prescription anomaly detection models for opioid diversion surveillance in Ottawa capital region pharmacy chains
Notice bibliographique
Résumé
Canada's opioid crisis has hit the Ottawa Capital Region hard, with prescription opioid diversion feeding street supply chains that contribute to overdose deaths. Current pharmacy-level diversion detection relies on pharmacist judgment and manual red-flag checklists, an approach that misses subtle patterns buried in high-volume dispensing data. This research developed and compared three machine learning models logistic regression, random forest, and XGBoost for automated detection of anomalous opioid prescriptions using dispensing records from 42 community pharmacies in Ottawa, Ontario. The dataset comprised 412,847 opioid dispensing events from January 2019 through December 2022. A panel of three clinical pharmacists labeled 1,847 confirmed or strongly suspected diversion cases as ground truth. Features included refill timing, prescriber-patient distance, dose escalation rate, prescriber diversity per patient, and geographic fill patterns. XGBoost achieved the highest area under the ROC curve (0.97), sensitivity (94.3%), and specificity (96.1%), outperforming random forest (AUC 0.94) and logistic regression (AUC 0.85). Early refill patterns were the most common anomaly type detected (34.7%), followed by doctor shopping (24.1%). Feature importance analysis identified days-to-early-refill and prescriber count per patient as the two strongest predictors. These findings support the deployment of XGBoost-based anomaly screening in Canadian community pharmacy dispensing software to assist pharmacists in identifying potential opioid diversion events in real 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 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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».