该阿片类药物过量危机继续保持对国家强大的抓地力。根据药物滥用研究所（NIDA），疫情索赔超过115个生活在美国的每一天。
这个公共健康危机的累积效应还扩展到了劳动生产率，网瘾治疗费用，以及刑事司法介入的损失。相关研究发表在美国公共卫生协会的官方刊物有估计阿片危机的总经济负担为$ 78.5十亿。
烟雨研究工作侧重于防止物质使用障碍，人工智能正在成为旨在打击的阿片类药物过量危机的技术组件。研究然而，仅限于帮助医疗保健业务的专业人员导航的使用情况和他们的潜在效益不断增长量。
在这篇文章中，我们将探讨人工智能的努力拼搏的阿片类药物过量流行的新作用，并包括与使用情况有代表性的例子，这些应用程序的潜在好处。
阿片类药物和阿片类药物在美国流行的背景
阿片类药物是一类由医生规定的，以减轻严重或慢性疼痛的药物。共同例子医生可能开出阿片类药物处方的地方包括手术后恢复的病人、与癌症治疗相关的疼痛、慢性头痛和背痛、运动或意外伤害相关的疼痛。
NIDA痕迹阿片类药物和滥用和成瘾回到90年代末以后发病率的开具过多的开端。据了解，医疗行业是由制药公司放心，处方阿片成瘾所带来的风险是微不足道的。其结果是，处方的速度稳步增长。
然而，人们后来发现，对这些物质上瘾确实是一种高风险。
例如，2015年阿片类药物过量导致了过量33000例死亡和处方阿片类药物滥用估计影响了200万人在美国，同年。虽然从青壮年18至25岁是重灾区之一，这场危机并不局限于这个年龄段的人口，也影响青年和老年人。
预测滥用阿片类药物使用机器学习
Hc1.com
公司成立于2011年，印第安纳州为基础的hc1.com是一家基于云的客户关系管理(CRM)软件公司，服务于医疗行业。2017年11月，公司成立宣布它的盐酸阿片仪表盘和声称该平台集成机器的检测谁使用阿片类药物个体之间的误用和滥用的潜在模式的既定目标学习。
该公司培训了大量的数据集的算法，从大约380万个提供商51万名个人和5个十亿诊断测试结果绘制的数据，在所有50个州。
例如，医疗服务提供者关于给定状态下处方数量的数据可能有助于识别处方数量和误用之间的相关性。然后，该算法可以学习与误用和滥用事件相关的模式，并在潜在紧急情况发生之前预测它们。
印第安纳州是其中的优先级提高疫情监测公司的合作伙伴。2014年，国家经历1100只吸毒过量死亡，产生超过$ 1.4十亿的医疗费用。
“我们使用机器学习来生成视图到什么美国各地发生的事情......这是一个早期预警系统。我们可以看到领先指标，使我们能够预测在那里把资源以降低阿片类药物的滥用。
联邦和州政府正在部署的资金，以减少阿片类药物的使用，但它是非常难以衡量的影响。如果我们能够通过县或邮政编码看，它确实有助于说，在人口的投资是否降低误用和滥用。”
- hc1.com (2018年1月）
下图是阿片类药物仪表盘的截图，显示的是印第安纳州的数据。最右边可以看到一些指标的例子，比如邮政编码、年龄、性别和比率，地图上用红色标出了滥用和成瘾风险最大的地区。
“Appriss健康和HCl的解决方案是互补的，可以以多种方式帮助各国使用抗衡的阿片类传染病。通过与全州的书面处方一起提供的药物阳性率和见解的数据集，我们可以赋予各州政府更好地了解问题不断涌现。此外，该数据可以在医疗点使用书写处方时，给供应商方便地访问实时数据“。
- 罗布·科恩，Appriss生总裁（2018年4月）
防止戒毒复吸使用机器学习
Triggr健康
成立于2014年，总部位于芝加哥Triggr健康声称其平台使用机器学习来预测成瘾恢复复发，以帮助制定目标预防策略。
该公司的算法进行培训，以监视智能手机数据和活动，如发短信的模式，手机定位和睡眠历史寻求指示复发的可能性更强的模式。该信息与诸如客户药物史数据和某些关键字，如“渴望”为例，从Triggr健康用户和工作人员之间的通信相结合。
客户由他们的医疗服务提供商推荐使用Triggr平台，如下面的屏幕截图所示。客户端将应用程序下载到用户的智能手机上每天2 $费。
Triggr提供24/7的支持，在风险达到峰值水平时，立即通知个体的成瘾治疗团队的一名成员。该公司声称，它维护用户电话数据的隐私，只能访问一般信息，而不能访问具体内容。
该公司声称，它的平台在预测倒退行为达到92％的准确率，如阿片类药物误用，三天就会开始前，一般是三倍比传统的治疗策略更为有效。传统的治疗方法可包括在康复机构进入复苏计划。随着个性化治疗目的，它的目的还在于支持延长恢复期的个人，如一年或两年，而不是较短的时间跨度，在任何情况下都不能提供足够的支持。
“在过去的两年里，我们已经有成千上万的人在使用药物的各级工作和恢复，以及数百个供应商。
我们的技术利用机器学习来实时了解个人行为的组成部分，并将基于证据的治疗转变为一种主动的、即时的体验，可以极大地改变依赖鸦片和酒精的个人的轨迹。”
-John哈斯克尔，Triggr健康的联合创始人兼首席执行官（一月2017）
据该公司的网站，该平台是专门销售给医疗保健系统和供应商在这个时候。客户端获取遵循转诊的方法和平台似乎是在试点阶段。该公司旨在扩大其应用到个人消费者在不久的将来。
Behaivior
在2016年6月，IBM推出了IBM沃森AI XPRIZE在努力了500万$的竞争，扩大AI应用的潜在社会效益。4年，全球竞争邀请团队开发新的方法，以社会挑战。IBM沃森AI XPRIZE高潮在三个决赛的球队在TED 2020展示他们的作品。
Behaivior（的“行为”有意拼错变体）是最初接受进入竞争147之一。新兴的总部位于匹兹堡的启动的目标是帮助恢复治疗复发避免阿片用户。虽然使用的机器学习预测算法类似于Triggr健康模型，主要区别是可穿戴技术的该公司描述为有点类似于FitBit整合。
“我们正在开发一种软件，可以从可穿戴设备获取实时数据流该检测心脏率，心脏心率变异性，皮肤温度，运动和皮电响应（其与压力水平）。此数据与其它数字组合有关行为，如GPS位置信息。
由于行为和生理的变化，我们的软件大屏幕用户他们是否是在预先复发渴求状态，因此在不久的将来复发的风险也会更高。当人们从物质使用障碍处于渴望状态，复发的倾向很高。由当传统的干预手段出现时，他们已经在重新利用了。”- Behaivior网站
Behaivior团队声称从IBM Watson获取数据，并通过他们的创业孵化器——奥林匹斯项目与卡内基梅隆大学合作。目前IBM沃森人工智能XPRIZE竞赛已经过半，这家初创公司仍处于起步阶段，从其网站上看，其商业模式尚不明确。
使用机器学习预测阿片类药物依赖
南加州大学机器学习中心
刘燕，博士，计算机科学家，机器学习专家，USC机器学习中心主任。在2017年的一次研究在刘的领导下，研究人员声称他们已经开发了机器学习算法来预测阿片类药物依赖。
该算法针对102,166例大样本患者进行训练;刘称，这是一个关于成瘾研究的最大数据集之一。研究小组收集数据并与梅奥健康诊所合作。电子健康记录是通过罗彻斯特流行病学项目获得的。刘强调，患者隐私是重中之重，严格遵守数据使用协议。所有的数据，如病人诊断和处方的信息，都是在病人同意的情况下使用的。
从研究结果两大类组织的用户：79％被列为短期用户提供21％被认为是长期的。3.47％的比例较小被归类为阿片类药物依赖。不过，相较于谁被诊断为阿片类药物依赖之前的研究中，0.7％时，这一比例承载意义的另一个层次。
通过这项研究，刘的目的是利用病人的病史作为机器学习方法的指南，以便在医生给高危病人开阿片类药物之前，就能确定病人对阿片类药物的依赖。机器学习研究是刘正在进行的实验室研究工作的一部分，旨在将工具推向市场，帮助对抗阿片类药物成瘾。
最后的想法
阿片类药物过量和滥用的比率需要创新和有效的方法。在医学领域，临床医生、研究人员、公共卫生机构和学术机构等专业人员之间的多学科合作是必要的越来越常见。
人工智能在这一领域的应用似乎侧重于通过识别成瘾治疗内外的使用者的模式来预防新的过量用药或滥用事件的发生。初创公司似乎更倾向于开发用于成瘾治疗支持的应用程序。
成瘾治疗将继续在州和联邦级别的优先事项。例如，药物滥用和精神健康服务管理局（SAMHSA）提供奖助金国有处理系统和支持服务。
理想情况下，人工智能工具(如预测阿片类药物依赖性)将为联邦政府在治疗服务方面的投资增加另一个层面的价值。然而，为每个用户提供个性化的成瘾支持平台，而不是收集数据来确定趋势，往往会推高成本。
因此，成本效益分析对于更全面地了解这些平台的价值是很重要的。以hc1为例的公共卫生机构伙伴关系具有明智的商业意义，可以作为重要的数据来源。这对于药物使用障碍和阿片类药物过量发生率最高的州尤为重要。
由于大多数研究和初创公司仍处于其努力的早期阶段，多学科团队易于使用的应用程序将有望以更快的速度实现。
将这些应用程序推向市场有一些必须考虑的重大挑战。例如，数据隐私是健康应用程序面临的一个常见挑战，然而，阿片类药物使用数据的敏感性增加了患者的风险水平
目前的应用要求使用匿名数据，或直接获得患者同意。然而，有报道2009年10月和2016年12月之间发生1,768医疗数据泄露，患者数据隐私将是未来的一大挑战。
另一个需要考虑的挑战是一个可持续和盈利的商业模式。的一些阿片类药物过量率最高的发生在贫困地区在乡下。因此，个性化治疗可能对高危人群无效。政府和企业之间的伙伴关系以及政府鼓励在对抗阿片类药物流行方面的创新应用将变得越来越重要。
标题图片来源：Adobe公司股票
