机构名称：
¥ 1.0
了解与美沙酮参与无意药过量死亡相关的死者特征的知识可以帮助您努力干预这些死亡。ML模型具有现有数据，提供具有成本效益的手段来帮助创建有效的干预措施。在这项研究中，我们旨在开发一种优化的ML算法，用于使用伊利诺伊州州非明显药物过量报告系统（SUDORS）的数据来预测通过美沙酮过量死亡的方法。我们利用IL SUDORS 2019-2022数据进行培训（n = 11931），带有选定的指标（n = 28）。为了解决与非甲基阿达酮相关死亡的不平衡，我们采用了合成少数族裔的过度采样技术。接下来，我们评估了各种机器学习模型，包括逻辑回归，支持向量机，随机森林，神经网络和山脊回归。使用METIC评估模型性能，例如精度，精度，Precision-Recall曲线（AUPRC）等。利用单独的培训（n = 15813），验证（n = 3388）和测试（n = 3389）数据集，随机森林模型的表现优于所有其他模型，具有92％的精度，91％的精度，93％的召回率和0.97 AUPRC。值得注意的是，这些外部是使用主要是人口统计指标实现的。通过分析部分依赖图，我们能够看到每个指标的变化如何动态影响与美沙酮相关的死亡。这项研究证明了ML模型在鉴定美沙酮参与无意药过量死亡中的潜力，并有助于预防这些死亡的知识库。利用SUDORS数据，随机森林模型表现出了出色的表现，突出了其对医疗保健专业人员，预防和减少危害专家的价值以及决策者。
伊利诺伊州Sudors数据的见解
主要关键词
相关文件推荐
