机器学习在数字医疗中的成瘾研究

International Journal of Information Management Data Insights 3（2023）100175机器学习如何用于研究数字医疗中的成瘾：系统性综述Bijoy Chhetria，Lalit Mohan Goyala，Mamta Mittalb，a印度法里达巴德基督教青年会J C Bose科技大学计算机工程系b德里技能和创业大学，印度新德里aRT i cL e i nf o关键词：机器学习酒精成瘾MRI随机森林抑郁风险数字医疗a b sTR a cT长期使用毒品有时会导致大脑损伤，极大地影响一个人的心理，有时会变得不雅。本文通过对涉及机器学习（ML）模型的文献进行分析，探讨了药物滥用引起的心理障碍。研究大脑成像，行为运动学和记忆分析，以了解物质使用及其障碍。综述分析遵循系统性综述和荟萃分析的优先报告项目（PRISMA）指南。为了帮助更好地筛查、诊断和监测这些疾病，ML将物质摄入的早期发作确定为疾病的预测因子。文章中确定的研究措施（N= 26）说明了ML的独家使用，以提出见解物质使用障碍脑相关因素、行为表型和脑功能分化可以表达大量有关疾病的信息。调查结果还确定了与ML使用相关的各种研究水平、分类技术、性能指标、挑战和未来方向的见解。随机森林模型主要用于更好的性能。此外，访谈、问卷调查、大脑成像和最新的数字化工具的多样性也是这篇评论的一部分。一项具有临床验证的纵向研究可以开辟新的模式来探索物质使用障碍。1. 介绍药物滥用是许多心理健康问题的原因之一，这些问题变得越来越普遍。字典表明，物质滥用可以是一种事实，也可以是一种习惯。参与任何活动的欲望都是不可能控制的，无论是使用智能手机，吃食物还是喝酒。当一个人参与社交网络、游戏、暴饮暴食和看电影等活动时，就会出现行为依赖。药物滥用导致成瘾和化学依赖时消耗超过预定。这一问题在两本诊断手册中有涉及，即《精神疾病诊断和统计手册》（DSM）和《国际疾病分类》（ICD）（《&精神疾病诊断统计手册》，2021年）。成瘾通常会导致精神不稳定和心理问题。根据《全球毒品报告》，类阿片、酒精和烟草是全世界最常见的毒品（联合国毒品和犯罪问题办公室（毒品和犯罪问题办公室））。《2017年世界毒品报告》。4340万使用药物的美国人患有抑郁症和其他精神疾病，甚至死亡（滥用，2020）。同时，14.6%的印度人口使用酒精，2.8%使用大麻，1.14%使用阿片类药物，如海洛因、化学阿片类药物和鸦片（Ambekar等人， 2019年）。对于并发的精神疾病，由于死亡率和复杂性，物质使用是危险的（Peacock等人，2018年）。如果及早采取各种措施诊断和隔离病人，将挽救许多人的生命。一般而言，临床评价是专家监督下最常用的诊断方法（Joseph，2019）。然而，这种类型的检查需要时间，并需要使用特殊设备和工具进行人工观察。其他制约因素，如耻辱和预算，使大多数病人无法获得医疗设施。因此，人工智能（AI）等先进技术可以在依赖性的实际评估和诊断中发挥关键作用（Sarker，2021）。在数字医疗的帮助缩写为ML的机器学习算法模型是最通用的AI方法之一，并且有利于在严峻条件下处理大型数据集（Baker等人，2018年）。物质滥用也可以被解释并构建到ML中（Xie等人， 2021年）。物质诱发性障碍（SID）会导致异常的想法、感觉和行为，导致高度的压力和混乱在日常生活中它们的范围从智力障碍到情绪波动、焦虑、抑郁和精神分裂症，并通过可用的特定治疗机制进行检测和监测（Mauri等人，2017;Symons等人，2019年）。医疗保健专业人士使用问题-∗ 通讯作者。电子邮件地址：mamta. dseu.ac.in（M. 米塔尔）。https://doi.org/10.1016/j.jjimei.2023.100175接收日期：2022年6月27日;接收日期：2023年3月28日;接受日期：2023年3月29日2667-0968/© 2023作者。由Elsevier Ltd.发布。这是一个CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）可在ScienceDirect上获得目录列表国际信息管理数据杂志见解期刊主页：www.elsevier.com/locate/jjimeiB. Chhetri，L.M. Goyal和M. 米塔尔International Journal of Information Management Data Insights 3（2023）1001752Naires和访谈（例如，结构化或半结构化），以评估患者&的身体，行为和情绪特征（Lynskey Strang，2013）。使用这些方法，各种因素有助于疾病的分类，有时主要特征被忽略，如人为错误（Ferreri et al.，2018年）。这些疾病也可以通过图像，扫描，游戏，甚至脑电图（EEG）和磁共振成像（MRI）来识别。医疗信息技术仍然处于现代和新兴技术的前沿。产生的医疗数据集是非常多方面的，非结构化和可变的。对ML等计算机方法如何帮助医疗保健工作者的分析表明，它们在数字医疗保健中有多重要（Thieme et al.， 2020年）。收集、清理、转换、分析和存储这种多维、非结构化和可变的数据集是技术响应的关键组成部分ML模型从实验数据中学习趋势通过探索不同的发展视野，发现ML在成瘾研究中的重要性仍处于起步阶段，具有巨大的潜力。 在训练过程中从数据中选择各种参数和属性，然后优化算法以在同一数据集的子集上进行测试。案例研究中的样本用于验证从数据集生成的算法和模型。准确性、敏感度及特异性等表现指标通常用于计量模型的有效性。这有助于使用高性能计算算法以不同的形式分析大数据，以得出诊断解决方案、早期预测和个性化治疗（Rehman等人， 2022年）。在诊断中，挑战始终在于模型效率、监测策略和准确性。早期干预和恢复支持系统用于一系列物质使用障碍。 决策树（DT）、随机森林（RF）、支持向量机（SVM）和基于神经网络的深度 学 习 （ DL ） 模 型 可 以 有 效 地 理 解 和 提 取 患 者 信 息 中 的 模 式（Yahyaoui等人， 2019年）。这一领域的进一步研究将使治疗心理健康问题、复发和随访变得更容易本文回顾了在疾病综合中使用ML的数字医疗保健文献，它还涵盖了药物（合法/非法）的影响，以及可能发生的各种疾病因此，本文将研究可用的药物及其对人类消费的影响，以及如何将ML策略应用于检测和监测药物使用。此外，它还描述了用于解开成瘾疾病的ML方法，它们的好处，挑战，数据集和应用。卫生专业人员应该认识到与开发ML应用程序相关的复杂挑战。为了强调在这一领域缺乏研究，作者们把重点放在现有的发展，以监测未来的工作，并鼓励更多的参与。在整个审查过程中，讨论了以下研究问题：RQ 1：哪些物质被归类为合法/非法药物，它们是如何消费的？RQ2：用于了解物质滥用的不同方法是什么？使用ML方法研究药物滥用的文章经常发表吗RQ4：使用的各种ML方法是什么，它们在成瘾研究中是如何工作的？本文的结构如下。第2介绍了作为进一步审查进程背景的物质消费的影响第3节介绍了本研究遵循的审查方法。第4节对其他研究中使用的各种方法及其特征进行了全面综述。此外，它还解释了机器学习模型如何揭示药物滥用。第5节根据作者确定的参数对文献进行了比较。最后，第6节讨论了综述分析的局限性，第7节给出了结论。2. 物质类型和影响人们吸毒的原因有很多，包括快乐、娱乐、娱乐和药物（Kalant，2001）。在快乐化学物质中，酒精自古以来就存在（Crocq，2007），甚 至 口 香 糖 和 香 烟 也 含 有 咖 啡 因 ， 可 卡 因 和 尼 古 丁 （ BHATT ，2019）。此外，止痛药、止咳舒缓剂和娱乐性药物通过处方销售，但非法使用，有些药物可能在柜台购买（Manchikanti，2007;SchaperEbbecke，2017）。它通过转移神经受体和发射器来触发自然唤醒。滥用物质是指购物或吃饭等简单活动的自然享受。因此，吸毒成瘾者表现出不正常的行为和身体变化。四氢大麻酚（THC）、大麻素、阿片类药物和乙醇等药物会干扰正常的大脑功能。此外，为了提高体内的多巴胺水平，这些化合物还通过传递快乐和满足的信号来引起渴望。许多研究表明，这类精神活性物质在服用或戒断期间可能会导致各种疾病和心理失衡（Daley，2016）。在全球范围内，含THC的可卡因是仅次于含大麻素的大麻的第二大最广泛使用的非法药物，它们对大脑有类似兴奋剂的作用，并且易于添加（Walker Nestler，2018）。在几乎每个国家，鸦片制剂都被非法用作止痛药和止咳药。18至25岁的青年最常使用这些药物，增加了与依赖相关的死亡率（Koechl等人， 2012年）。物质使用障碍在受其影响的人的一生中都可以观察到。一些疾病主要是精神疾病，也称为心理障碍（Chhetri等人，2020年）。大多数早期采用者往往会超出正常摄入量并上瘾，这可能导致各种心理障碍。此外，物质滥用主要导致脑损伤、精神创伤、过度期望和强迫症，所有这些都会导致精神疾病。这些疾病中的许多通过临床评估被评估或归类为各种研究表明，这种行为障碍不是由药物滥用引起的，而是由障碍本身引起的（Alavi等人，2012;Castillo-Carniglia等人，2019年）。有三类疾病：父母儿童诱发的（PCI）、表现出物质使用障碍（SUD）的成瘾成年人和具有物质戒断症状（SWS）的恢复中的成瘾者（Ooms等人，2021年）。在ICD中，这些障碍被称为由于药物滥用引起的心理障碍，并且也基于DSM诊断标准进行诊断。表1提供了根据DSM和ICD手册的药物类型，其效果和疾病分类的详细信息。3. 审查方法3.1. 文档搜索通 过 三 个 不 同 的 图 书 馆 来 源 进 行 文 献 选 择 ， 即 MEDLINE（PubMed）、Google Scholar和Scopus，使用包含布尔运算符的搜索查询使用检索词“物质使用障碍和机器学习”、“成瘾和心理障碍和机器学习”和“物质使用中的机器学习文章选择标准基于一套全面的PRISMA指南（Moher等人， 2009年）。3.2. 入选和排除标准各种各样的文章对人类的心理障碍造成的物质滥用，吸毒成瘾，酗酒包括在内。作者考虑英文出版物，并提供全文。EEG模拟信号、MRI和功能性MRI（fMRI）脑成像，以及B. Chhetri，L.M. Goyal和M. 米塔尔International Journal of Information Management Data Insights 3（2023）1001753表1药物的分类及其对人体的不良影响Sl编号作者药物名称及种类精神活性成分伊尔埃切茨障碍1.Kalant（2004年），Hall& Degenhardt，（2009），Jumeow et al.（2016），Ishida et al.（2020），Castaño et al.（ 2019年）大麻合法药用目的四氢大麻酚，大麻素欣快感、烦躁不安、镇静、时间感知变化、感觉功能、运动控制和短期记忆障碍、口干、心动过速、体位性低血压。强迫症，焦虑症，2.Gahlinger（2004），Shand等人（2011），Rummans等人（2018），Cheng等人（2018）Lalic等人（ 2019年），Degenhartt等人（2019），Dydyk等人（ 2020年），Jin等人（2020年）天然阿片类药物（吗啡、可待因、蒂巴因）半合成阿片类药物（氢可酮、氧可酮和氧吗啡酮、吗啡衍生物）海洛因、吗啡、可待因、蒂巴因、美沙酮、曲美多感觉急促、低氧血症、痉挛、肌肉骨骼疼痛，人格障碍、焦虑症3.Gouzoulis-Mayfrank&Daumann（2009），Steinkellner et al.（2011），Sitte&Freissmuth（2015）McKetin et al. （ 2019年），范阿姆斯特丹等人（2020年）安非他明衍生物和摇头丸兴奋剂，麻黄碱，假麻黄碱刺激和幻觉活动，情绪控制，增加心跳，高血压，脑细胞变性。成瘾性障碍，人格障碍4.Nestler（2005年），Reed& Evans（2016）Pasha et al. （2020年），可卡因可卡因、兴奋剂可卡因、苯丙胺、哌醋甲酯、芬太尼、卡芬太尼刺激中枢神经系统（失去与现实的联系，强烈的幸福感或激动），焦虑，增加运动活动。双相情感障碍，精神障碍5.Cargiulo（2007），Guggenmos等人（2020）Cargiulo（2007），Afzali等人（2019年）醇乙醇抑郁、轻躁狂、恐怖症、高血压、心境障碍、焦虑、人格障碍。抑郁症创伤应激障碍作为基于行为动力学的研究，包括在内。此外，还分析了关于药物滥用流行率和严重程度的同行评议文章排除了2012年之前发表的文章、综述、观点文章和社论。此外，对牲畜烟草含量的研究也被排除在外。3.3. 文章精选初 步 检 索 后 发 现 了 551 项 研 究 （ PubMedn=269 ， GoogleScholarn=153，Scopusn=129）。仔细回顾每项研究的标题和摘要发现，其中424项不合格，17项被撤回，因为有重复连同3项没有足够的数据。107项研究因此被进一步筛选。其中，48例因动物研究（n=13）、未发表状态（n=7）、病例报告（n=18）和尼可刹米研究（n=10）而被排除。最终，有40个项目符合审查程序的资格标准。然而，只有26项研究被纳入最终审查，因为它们是基于基因组学，神经精神病学和神经学研究（图1）。 1）。3.4. 文章分销图2表示物质类型的类别以及研究人员已经实现的ML技术和算法。为了弥补ML在实体方面的研究空白，理解模型实现过程及其有效性是很重要的不同的ML模型研究，包括监督，无监督和深度学习已经被纳入。根据相关文献中的详细示例，这些发现提供了定量和描述性总结。除了确定文献中的差距外，选择PRISMA是为了反映所报告的趋势和挑战的范围和深度。通过对文献的筛选和分析，发现文献按物质类型分布。审查过程中考虑的关键项目是酒精，其次是多种药物，阿片类药物和大麻。在大多数情况下，RF和SVM模型用于两者文本和临床观察。大部分研究涉及神经网络架构和大脑图像分析。图3显示了按主题划分的文章分布数据来源和ML模型的结果。通过各种测试和访谈对病人进行心理评估。ML图像分析的最新进展也被应用于MR、fMRI、EEG和其他社交媒体图像。在物质使用方面，ML算法预测伴随焦虑和抑郁的早期滥用。根据数据收集策略（包括患者的临床评价）对文章的最大数量进行了分类。这些方法包括使用不同的测试和访谈对患者进行心理评估。ML图像分析的最新进展也被用于MRI，fMRI，EEG和其他各种社交媒体图像。由ML算法预测的特征描绘了滥用的早期预测，主要发生在物质使用中的焦虑和抑郁。3.5. 文章发表频率成瘾文章的发表率是通过PubMed和其他数据库的关键词检索确定的许多搜索查询已被手动分类和归档，以探索有关这些疾病的详细信息。图4显示了药物滥用和ML应用程序的网络图，以确定相关条件。药物和酒精成瘾、精神健康问题、物质滥用和癫痫发作都与成瘾有关。ML在数据库搜索结果中用于描述过去十年中物质使用障碍的诊断，以及其与ML使用的关联。存在各种研究类型、样本、人口统计学数据以及物质特异性研究和验证趋势。然而，目标是成瘾及其效果，这要归功于ML技术。然而，一些文章提到了其他合并症的疾病ML在吸毒者的行为研究中被发现更有效在成瘾研究中，根据学习目的将受试者分为不同的类别时，RF和SVM经常被使用神经网络的另一个应用是使用心理学工具来评估医疗条件。B. Chhetri，L.M. Goyal和M. 米塔尔International Journal of Information Management Data Insights 3（2023）1001754Fig. 1. PRISMA流程图用于新的系统综述，包括数据库检索。4. 审查结果图二、 基于物质消耗（左）和ML模型（右）的文章分布。从对文章的回顾中可以明显看出，物质消费成瘾是一个研究问题，有四种不同的方法，在本节中，作者讨论了文献综述的结果。表2列出了审查的研究的主要特征包括作者、研究目的、样本量、样本特征、成瘾测量工具和文章绩效指标。是脑成像，脑电信号，基于记忆和行为的评估。此外，临床观察和咨询也是相关方法，如下图5所示。药物使用也可以用视网膜扫描检 测（Peragallo等人， 2013年，他承认，B. Chhetri，L.M. Goyal和M. 米塔尔International Journal of Information Management Data Insights 3（2023）1001755图3.第三章。 基于数据源（左）和模型结果（右）的文章分布。图四、 ML应用（左）和物质成瘾（右）文章的发表率。（Menon等人，2019）、瞬时评估（Kim等人，2019），语音解释（JOHNSTON，2016）和笔迹分析（Phillips等人，2009年）。作者根据其特征和衍生目标将采用的研究分为四类（大脑图像，电信号，记忆，行为）。此外，还介绍了如何使用ML方法来分析物质成瘾的精心制作的解释。过程小节解释了每一个过程以及ML方法的使用。4.1. 脑图像脑图像根据患者的细胞结构对患者进行分类，并确定依赖性如何影响脑组织的密度、厚度、颜色、大小和体积。然而，精神障碍之间几乎没有重叠，如交叉障碍的结果所证明的（Navarri等人，2022年）。据报道，患有成瘾性障碍的人具有各种大脑结构，这些大脑结构在前额叶皮层、背侧纹状体、纹状体和后脑区皮层中具有低体积的灰质（Xiao等人，2015年）。在中枢神经系统中，灰质由神经细胞、组织和突触组成，它们决定物质的水平。对于具有化学依赖性和识别出的六个感兴趣的纹状体区域、低功能连接强度和高家庭风险的人，报告了类似的结果（Ersche等人，2020年）。大脑回路及其异常是物质使用研究的关键概念在患有SID的人中，额叶和背侧纹状体回路功能缺陷，并且习惯由这些回路处理，并且执行功能受到调节（Klugah-Brown等人， 2020年）。 药物滥用也以显著和快速的方式增加了这些快乐通路中的多巴胺水平（Parvaz等人，2017年）。世界上最大的药物滥用工作组欧洲吸毒者信息收集和监测协会（ENIGMA）发现，吸毒者的大脑较小（Mackey等人，2019年）。对可卡因成瘾数据的ENIGMA大型分析得出结论，可卡因使用者的脑力变化（Rabin等人， 2020年）。本研究中的T1加权形态测量分析显示了灰质的变化。在暴露于大麻素的青少年中，灰质的体积变化（Demirakca等人，2011年）。 毫不奇怪，海洛因成瘾与灰质的变化以及抑制控制、奖励、视觉功能和其他脑功能的损伤或适应不良有关（Shi等人，2020年）。另一项研究揭示了灰质体积的减少和前额区的连通性差（Parvaz等人，2016年）。可卡因使用者的功能磁共振成像检查调查了他们大脑结构的位置和功能，以确定物质使用如何影响大脑的大小和功能。然而，这项研究建议进一步研究物质的认知相关性。4.2. 脑电信号对大脑中电信号的研究也可以揭示物质滥用。对大脑电信号的研究为检测药物引起的人类缺陷提供了参考。一种模型，其中来自大脑的电信号与行为模式相匹配，以将个体分类为物质使用者或非使用者（Turnip等人，2018年）。另一项研究显示了使用EEG信号将患者分类为一组抑郁或非抑郁个体的证据（Hosseinifard等人， 2013年）。脑电信号的线性和非线性特征构成了一个参数系统，描述了大脑对药物研究的反应。此外，揭示了愉悦回路、感觉和损伤的严重性（Acharya等人，2012年）。同样，一项基于EEG的研究确定了患有SID的抑郁和非抑郁患者的集群（Ding等人，2019年）。基于历史和临床数据，确定了多模式决策系统，包括上述方法之一ML模型还可以通过临床信息（如尿检结果、血液样本报告、温度和压力）进行增强。B. Chhetri，L.M. Goyal和M. 米塔尔International Journal of Information Management Data Insights 3（2023）1001756表2ML物质条目的主要特征人格测验量表年龄。神经心理学评分，广度测验评分DSM采访大麻攻击性，多年的消费表型酒精依赖。问卷和尿液网络用户@Twitter生活方式，环境变量考试调查（NHANES）调查对象物质摄入（接下页）没有作者研究的物质研究目的样本量样本特性成瘾的测量模型性能参数1贝蒂·尼科尔森（2021）海洛因海洛因使用分类的特征提取56,897参与者可变重要性评分精度=0.69 F-测量值=0.532Marcon等人（2021年）醇了解高危饮酒4840医学生审计问卷精密度=0.70灵敏度=0.753Jing等人（2020年）非法药物为了测试ML是否可以识别健康，心理，精神和上下文700招募个体受试者并在10药物使用筛选工具，感觉，冲动&特异性=0.79P001

下载后可阅读完整内容，剩余1页未读，立即下载