人工智能或可预测阿片类药物复吸时间点
美国国立卫生研究院资助的一项研究发现，深度学习工具能以高准确率预测次日复吸风险，为临床医生提供干预时机。
2025年11月4日 • Hadley Barndollar, masslive.com, TNS
在为期六个月的研究中，60余名接受阿片类药物使用障碍药物辅助治疗的患者通过智能手机每日三次提交心理健康、心理状态及环境调查问卷。当深度学习模型（一种人工智能）分析这些回复后，该技术对复吸风险和持续治疗可能性的预测表现出色，据6月发表在《物质使用与成瘾治疗杂志》的研究显示。
这项由新罕布什尔州、纽约州、加利福尼亚州、马萨诸塞州和马里兰州研究人员共同参与的美国国立卫生研究院资助研究指出，基于实时监测的人工智能可作为强有力的预测工具和早期预警系统，为前瞻性、个性化干预铺平道路。研究特别强调，当接受治疗者处于崩溃边缘时，该技术价值尤为显著。
研究人员确定，将每日智能手机问卷与人工智能预测模型结合，可高精度评估次日阿片类药物复吸风险。其核心价值在于实时预测结果可传达给临床医生和康复支持团队，使其有机会对高风险患者及时干预。
深度学习模型考量的关键因素包括：前一小时物质使用（预测次日用药的最强指标）、情境风险（如接触毒品环境）、情绪状态、自我调节困难以及社会/环境背景。研究作者指出："我们的工作首次利用个性化、自然状态特征预测接受阿片类药物治疗者的临床相关结局"，并强调鉴于药物成瘾者持续治疗的挑战性，该发现具有"重大公共卫生意义"。
据美国食品药品监督管理局估计，全美500万至700万阿片类药物使用障碍患者中，复吸率高达65%至70%。
人工智能在成瘾治疗与医疗领域的应用
正如人工智能正融入更广泛的医疗领域，其在成瘾医学治疗中的应用也日益凸显。例如，今年4月一项美国国立卫生研究院支持的临床试验发现，人工智能工具在生成成瘾专科转诊建议方面可达到与医疗提供者同等的效果。
达特茅斯学院研究人员训练人工智能模型分析Reddit平台上用户关于阿片类药物使用障碍治疗经历的讨论帖。此外，还有专为康复支持设计的人工智能聊天机器人。
罗切斯特大学医学中心成瘾精神病学学术分部主任Caroline Easton去年接受采访时强调："必须明确人工智能并非旨在取代人类治疗师，而是辅助他们。它能减轻治疗师工作负担，降低共情疲劳与职业倦怠，并为患者护理提供额外资源。"
全球医疗领域应用人工智能存在诸多争议，包括数据隐私、潜在误判以及取代专业医护人员等问题。美国国家药物滥用研究所研究员Brenda Curtis承认对人工智能应用存在"顾虑"，但表示其领域"正在严格审视相关问题"。她指出："我们能在技术应用与改进中发挥作用，利用它快速分发大量信息，并提升治疗与医疗的效率和效果。"
研究团队也承认人工智能结合智能手机数据的局限性，特别是预测模型并非始终精准。研究中出现假阳性与假阴性结果，且样本量被描述为"有限"，人口多样性不足。例如，在特定地理区域以白人群体为主的深度学习模型，可能误判其他种族或族裔群体的行为或健康指标——这正是人工智能可能反映甚至放大现有健康不平等的典型案例。
研究实施过程
该研究聚焦2020年6月至2021年1月期间，加利福尼亚州一家门诊成瘾治疗诊所内62名接受丁丙诺啡（治疗阿片类药物使用障碍的处方药）治疗的成年患者。共收集14,322次智能手机问卷数据。
研究发现，最显著的预测指标是：若患者自述前一小时使用过物质，则次日复吸可能性最高。情境风险因素如压力触发、接触毒品、无聊感、疲惫感、满足感低下或计划执行能力不足，也是重要预警信号。情绪指标特别是无聊与疲惫，以及存在物质的高风险环境，能在数小时内有效提示阿片类药物复吸风险提升。例如压力与疼痛可能提前数天预测复吸风险，为临床医生提供宝贵的干预窗口期。
人工智能模型在预测患者是否可能漏服丁丙诺啡药物方面的准确性相对较低。
【全文结束】
