機械学習を用いて、有料サービスのメディケア受給者におけるオピオイド使用障害の発生リスクを予測する。予後予測研究

Using machine learning to predict risk of incident opioid use disorder among fee-for-service Medicare beneficiaries: A prognostic study.

• Wei-Hsuan Lo-Ciganic
• James L Huang
• Hao H Zhang
• Jeremy C Weiss
• C Kent Kwoh
• Julie M Donohue
• Adam J Gordon
• Gerald Cochran
• Daniel C Malone
• Courtney C Kuza
• Walid F Gellad

抄録

目的:

1回以上のオピオイド処方を受けているメディケアの受益者の間での偶発的なOUD診断の予測を改善するための機械学習アルゴリズムを開発し、検証すること。

OBJECTIVE: To develop and validate a machine-learning algorithm to improve prediction of incident OUD diagnosis among Medicare beneficiaries with ≥1 opioid prescriptions.

方法:

この予後予測研究では、2011年から2016年の間に1回以上のオピオイド処方を受けている、がんを伴わない有料サービスのメディケアの受益者361,527人が含まれていた。我々は受益者をトレーニング、テスト、および検証サンプルにランダムに分けた。我々は、オピオイドを開始する3ヵ月前からOUDの発症、追跡調査の喪失、または2016年末までの3ヵ月間に、社会統計学、健康状態、オピオイド使用のパターン、プロバイダーレベルおよび地域レベルの要因を含む269の潜在的な予測因子を測定した。主要アウトカムは、記録されたOUDの診断、またはOUDに対するメタドンまたはブプレノルフィンの開始であった。弾性ネット、ランダムフォレスト、勾配ブーストマシン、ディープニューラルネットワークを適用し、その後3ヵ月間のOUDを予測した。予測性能はC統計学とその他の指標（例：OUDを持つ個人を特定するために評価に必要な数[NNE]）を用いて評価した。受益者は、リスクスコアのデシイルによってサブグループに層別化した。

METHODS: This prognostic study included 361,527 fee-for-service Medicare beneficiaries, without cancer, filling ≥1 opioid prescriptions from 2011-2016. We randomly divided beneficiaries into training, testing, and validation samples. We measured 269 potential predictors including socio-demographics, health status, patterns of opioid use, and provider-level and regional-level factors in 3-month periods, starting from three months before initiating opioids until development of OUD, loss of follow-up or end of 2016. The primary outcome was a recorded OUD diagnosis or initiating methadone or buprenorphine for OUD as proxy of incident OUD. We applied elastic net, random forests, gradient boosting machine, and deep neural network to predict OUD in the subsequent three months. We assessed prediction performance using C-statistics and other metrics (e.g., number needed to evaluate to identify an individual with OUD [NNE]). Beneficiaries were stratified into subgroups by risk-score decile.

結果:

トレーニング（n=120,474）、テスト（n=120,556）、および検証（n=120,497）のサンプルは、類似した特徴を有していた（年齢≧65歳＝81.1％、女性＝61.3％、白人＝83.5％、障害者資格＝25.5％、1.5％にOUDが発生していた）。検証サンプルでは、4つのアプローチは同様の予測性能を有していた（C統計量は0.874～0.882）；エラスティックネットは最も少ない予測因子を必要とした（n = 48）。エラスティック・ネット・アルゴリズムを用いた場合、リスクの上位10位（検証コホートの15.8％[n = 19,047]）の個人は、正の予測値0.96％、負の予測値99.7％、およびNNEが104であった。OUD患者の70％近くが上位2層（n=37,078）であり、OUD患者の罹患率が最も高かった（受給者10,000人あたり36～301人）。下位8層（n=83,419）では、OUDは最小であった（10,000人あたり3～28人）。

RESULTS: The training (n = 120,474), testing (n = 120,556), and validation (n = 120,497) samples had similar characteristics (age ≥65 years = 81.1%; female = 61.3%; white = 83.5%; with disability eligibility = 25.5%; 1.5% had incident OUD). In the validation sample, the four approaches had similar prediction performances (C-statistic ranged from 0.874 to 0.882); elastic net required the fewest predictors (n = 48). Using the elastic net algorithm, individuals in the top decile of risk (15.8% [n = 19,047] of validation cohort) had a positive predictive value of 0.96%, negative predictive value of 99.7%, and NNE of 104. Nearly 70% of individuals with incident OUD were in the top two deciles (n = 37,078), having highest incident OUD (36 to 301 per 10,000 beneficiaries). Individuals in the bottom eight deciles (n = 83,419) had minimal incident OUD (3 to 28 per 10,000).

結論:

機械学習アルゴリズムはメディケア受給者におけるOUD発症のリスク予測とリスク層別化を改善する。

CONCLUSIONS: Machine-learning algorithms improve risk prediction and risk stratification of incident OUD in Medicare beneficiaries.