PloS one
2026-01-01
Ocena i udoskonalenie definicji podejrzenia przedawkowania opioidów w danych ratownictwa medycznego z wykorzystaniem uczenia maszynowego i przetwarzania języka naturalnego
Evaluation and enhancement of suspected opioid overdose definitions in emergency medical services data using machine learning with natural language processing.
Recenzja AI
Cel badania
Celem badania była ocena, na ile obecnie stosowane definicje podejrzenia przedawkowania opioidów w danych zespołów ratownictwa medycznego są skuteczne, oraz sprawdzenie, czy modele uczenia maszynowego z wykorzystaniem narracji medycznych mogą lepiej identyfikować te przypadki.
Metoda
Autorzy przeanalizowali ponad 2 tysiące zgłoszeń z systemu EMS w stanie Kentucky (2018–2022), porównując pięć wiedzo‑opartych definicji podejrzenia przedawkowania z modelami uczenia maszynowego wykorzystującymi zarówno dane strukturalne (np. kody, leki), jak i niestrukturalne (opisy medyczne) oznaczone przez ekspertów jako „złoty standard”.
Wyniki
Modele ML-NLP wyraźnie przewyższyły klasyczne definicje, osiągając najwyższy F-score 0,81 oraz wysoką czułość (ok. 89%) i precyzję (ok. 89%), podczas gdy podejścia oparte wyłącznie na danych strukturalnych charakteryzowały się niską czułością (0,30–0,45). Włączenie narracji z dokumentacji medycznej i dodatkowych pól strukturalnych znacząco poprawiało wykrywanie podejrzeń przedawkowania opioidów.
Znaczenie dla praktyki
W polskich systemach PRM i SOR wyniki te wskazują, że proste kryteria oparte wyłącznie na kodach rozpoznań czy podaniu naloksonu mogą pomijać wiele przypadków przedawkowań, a analityczne wykorzystanie opisów interwencji i innych danych (np. leki, objawy) mogłoby istotnie poprawić nadzór epidemiologiczny. Rozwój podobnych algorytmów w krajowych systemach informatycznych mógłby wesprzeć szybsze wykrywanie ognisk zatruć, lepsze planowanie zasobów (w tym naloksonu) oraz monitorowanie skuteczności interwencji profilaktycznych i terapeutycznych.
Abstrakt oryginalny
BACKGROUND: Fatal and non-fatal drug overdoses have evolved into a critical public health crisis, with over a 50% increase in the rate of fatal drug overdose since 2019. Emergency Medical Services (EMS) data has advantages over traditional emergency department data, including timeliness and captured non-transport encounters. However, there is no consensus EMS definition for suspected opioid overdose (SOO), and currently implemented knowledge-based (KB) definition may miss ambiguous cases. Machine learning with natural language processing (ML-NLP) has the potential to enhance SOO identification. METHODS: Secondary data originated from an oversampled dataset of 2,327 weighted encounters from Kentucky State EMS data (2018-2022). EMS experts manually reviewed the records and determined ground truth SOO labels. We examined five commonly accepted KB definitions, ranging from narrow to highly inclusive criteria, spanning from structured-only data to combinations of structured and unstructured data. ML-NLP models were developed considering various EMS data fields and KB indicators. The models and KB definitions were evaluated using sensitivity, specificity, accuracy, precision, and F1-score. RESULTS: The ML-NLP models outperformed the KB definitions with the structured plus KB model achieving the highest F-score (0.81). Structured-only approaches demonstrated low sensitivity (0.30-0.45). The inclusion of patient care narratives and additional structured fields improved model performance with the ML-NLP models demonstrating high sensitivity (89.1%) and precision (89.0%). CONCLUSION: Integrated ML-NLP approaches offer significant improvements in opioid overdose surveillance compared to structured-only, unstructured-only, and KB-only approaches. Future research should explore the generalizability of these models across different populations and geographic areas.