在为期六个月的研究中，60多名接受阿片类药物使用障碍药物辅助治疗的人员每天三次通过智能手机回答关于心理健康、心理状态和环境的问卷。
根据今年6月发表在《物质使用与成瘾治疗杂志》上的一项研究，当深度学习模型（一种人工智能形式）分析他们的回答时，该技术对复发风险和继续治疗可能性的预测表现极为出色。
这项由美国国立卫生研究院资助的研究——研究人员来自新罕布什尔州、纽约州、加利福尼亚州、马萨诸塞州和马里兰州——发现，利用实时监测的人工智能有潜力成为强大的预测工具和早期预警系统。研究指出，当正在接受治疗的人员可能处于复发边缘时，这种方法尤其有价值，它将为积极主动、个性化的干预铺平道路。
研究人员确定，在这种情况下，将每日智能手机问卷与基于人工智能的预测模型相结合，能够高精度地评估次日阿片类药物复发风险。其理念是，实时预测可以传达给临床医生和康复支持人员，使他们有机会在某人面临风险时进行干预。
深度学习模型考虑的影响因素包括过去一小时的物质使用（这是预测次日使用行为的最强指标）、情境风险（如看到或接近毒品）、情绪、自我调节困难以及社会/环境背景。
该研究的作者写道："我们的工作首次使用个性化、自然主义特征来预测接受阿片类药物使用障碍治疗人员的临床相关结果。"他们指出，鉴于成功、持续治疗药物成瘾者的挑战，他们的发现具有"相当重要的公共卫生意义"。
据美国食品药品监督管理局估计，在全国估计有500万至700万人患有阿片类药物使用障碍的情况下，复发率高达65%-70%。
人工智能在成瘾治疗和医疗保健中的应用
正如人工智能正在融入更广泛的医疗保健领域一样，它在成瘾医学和治疗中也开始崭露头角。
例如，今年4月，一项由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转诊至成瘾专家的建议方面可以与医疗保健提供者一样有效。
达特茅斯学院的研究人员训练了人工智能模型来分析Reddit上用户讨论阿片类药物使用障碍治疗体验的帖子。
此外，还有旨在提供康复支持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部门负责人卡罗琳·伊斯特（Caroline Easton）去年在接受采访时说："必须理解的是，（人工智能）并非旨在取代人类治疗师。相反，它支持他们。人工智能可以帮助减轻治疗师的工作量，减少同情疲劳和职业倦怠，并为患者护理提供额外资源。"
在全球范围内，人工智能在医疗保健中的实施存在许多争议，包括对数据隐私的担忧、潜在的不准确性以及对训练有素的医生和医疗人员被替代的感知。
美国国家药物滥用研究所研究员布伦达·柯蒂斯（Brenda Curtis）承认对潜在的人工智能应用存在"担忧"，但表示她的领域正在"认真审视这些问题"。
柯蒂斯说："我们可以对使用和改进技术发表意见。我们可以利用它快速分发大量信息，并利用它帮助治疗和医疗保健更加高效和有效。"
研究人员承认了结合人工智能和智能手机数据的研究存在局限性，最值得注意的是预测模型并不总是准确的。
该研究产生了假阳性和假阴性结果，样本规模被描述为"适中"，且人口统计多样性有限。
例如，在特定地理区域主要针对白人群体训练的深度学习模型，可能会误解其他种族或民族群体的行为或健康指标——这是人工智能如何反映甚至在某些情况下加剧现有不平等的一个例子。
研究方法
该研究聚焦于2020年6月至2021年1月期间，在加利福尼亚州一家门诊成瘾治疗诊所接受丁丙诺啡（一种治疗阿片类药物使用障碍的处方药）治疗的62名成年人。
总共收集了14,322次日常智能手机问卷的观察数据。
研究发现，最明显的预测指标是：如果参与者在过去一小时自我报告了物质使用，他们次日复发的可能性最大。情境风险因素，如压力或看到毒品等诱因，以及无聊、疲惫、低满足感或无法计划和执行任务，也是强有力的指标。
研究发现，情绪预测指标，特别是无聊和疲惫，以及在存在物质的高风险环境中，能够在几小时内成功提示阿片类药物复发风险增加。例如，压力和疼痛可以提前数天预测复发风险，这可能为临床医生提供宝贵的干预窗口期，以便提供支持。
人工智能模型在预测患者是否可能跳过丁丙诺啡用药方面的准确性较低。
【全文结束】
