与非致命性阿片类药物过量导致重症监护病房入院相关的危险因素:一项横断面研究

简介

美国的阿片类药物流行是近年来最严重的公共卫生突发事件之一，1999年至2019年阿片类药物过量(OD)死亡人数翻了两番[1］．仅2019年就发生了近5万例与吸毒过量有关的死亡[2]， 2017年，包括阿片类药物使用障碍和致命过量用药在内的估计经济负担总计10210亿美元[3.］．阿片类药物致死人数的急剧上升是美国人预期寿命下降的原因[4]以及“绝望死亡”的激增[5］．阿片类药物危机是一种复杂的情况，涉及广泛的促成因素，包括健康的社会决定因素(SDOH) [6，7］．

SDOH是指人们出生、生活、工作和衰老的条件[8］．不良SDOH可通过各种途径影响健康。例如，社会或家庭的破裂是众所周知的自杀企图的诱因[9-11］．行为决定因素包括饮酒、吸烟和使用非法药物等。总之，健康的不良社会和行为决定因素(SBDH)可以定义为那些可能阻碍个人疾病管理和对现有医疗条件产生负面影响的变量[12］．多项先前的研究表明OD与SBDH之间存在很强的相关性[6，7，13］．分析SBDH与OD的关系可以帮助我们更好地解决OD危机。

先前的研究发现，缺乏SBDH信息会显著降低医疗质量[14，15］．认识到SBDH对健康结果的影响，许多先前的研究侧重于从结构化数据(如诊断代码、药物)和/或非结构化数据(如出院摘要、病程记录)中提取SBDH [11，12，16-18］．然而，现有的电子健康记录(EHRs)往往缺乏必要的结构化SBDH信息，破坏了其在临床护理和研究环境中的使用。另一方面，电子病历记录经常描述SBDH [19)，例如，财务不安全(例如，“807美元的SSI和每月16美元的食品券”)和高风险饮酒(例如，“一次喝4杯酒或每周喝14杯酒。”)．此外，电子病历记录描述了状态的变化(例如，“最近失业”或“最近购买了枪支”)，这可能更准确地确定患者当前的状态。因此，我们可以通过自然语言处理(NLP)利用非结构化电子病历记录提供的丰富信息[20.］．NLP已成功用于从电子病历文本中提取基本信息，以检查各种临床问题，包括阿片类药物的使用和风险评估[21，22］．

随着非致命性过量用药的增加，美国对这些患者的重症监护需求也在增加[23］．虽然非致命OD病例导致ICU住院的比例相对较高，但对于ICU住院的OD危险因素知之甚少。［24］．这对于了解阿片类药物流行的严重程度和预测OD患者的重症护理需求至关重要。目前对OD导致ICU住院相关危险因素的评估工作尚不充分，这对于全面预防OD引起的公共卫生问题可能具有重要意义。

在本研究中，我们特别关注ICU设置，以解决上述问题。为了缓解结构化SBDH信息的稀缺，我们使用NLP系统自动从EHR记录中提取SBDH信息，并将其与入院时输入的可用结构化SBDH数据集成。然后，我们调查了符合条件的ICU入院的各种人口统计学、SBDH和临床变量与非致死性OD的相关性。迄今为止，没有一项OD研究利用EHR文本提取SBDH信息，也很少关注ICU设置。我们通过(1)表明NLP系统可以在结构化数据不充分时帮助提取SBDH信息，(2)识别对描述导致ICU住院的非致命性OD至关重要的危险因素来弥合这一差距。

方法

数据集

我们的主要数据源是MIMIC-III [25它是最大的公开可用的ICU数据库之一，包括贝斯以色列女执事医疗中心12年的数据(2001-2012)。首先，我们排除了入院时年龄小于18岁的患者的入院数据。为了纳入，入学还要求至少有这三种类型中的任何一种:出院总结，社会工作记录，或康复服务记录。我们选择了这三种类型的记录，以最大限度地利用社会和行为信息进行SBDH提取:出院记录是对患者住院期间的综合总结，社会工作记录特别关注患者生活的社会性质，康复服务记录关注改善患者的功能和活动能力，以稳定他们的出院。最后的样本包括37361名患者中的48869名入院患者。中显示了数据选择过程的概述图1．

‎ 查看此图

变量

所有基线变量被分为3类:人口学、临床和SBDH。人口统计学变量包括年龄(18-39岁、40-64岁、>64岁)、性别(男性或女性)、种族/民族(白人、黑人、西班牙裔或其他)和婚姻状况(已婚、离异、丧偶、单身或婚姻状况未知)。作为临床变量，我们考虑了药物使用障碍、双相情感障碍、烟草使用障碍、重度抑郁症、酒精使用障碍、肝硬化、慢性阻塞性肺疾病(COPD)和肾功能不全。这份全面的清单是基于早期与OD相关的研究[26-29]、临床判断和统计分析(详见“统计分析”部分)。所有临床变量均使用入院诊断表中的国际疾病分类，第9版(ICD-9)代码进行检测，并作为二分变量纳入。ICD-9代码列表可在多媒体附件1．

对于SBDH变量，我们使用NLP来分析MIMIC-III中可用的非结构化文本数据。对于每种类型的笔记，我们选择最相关的部分来提取SBDH信息:(1)出院摘要:“社会历史”部分;(2)社工备注:“患者/家庭评估”、“既往成瘾史”、“既往病史”部分;(3)康复服务:“性与社会史”一栏。

我们使用了流行的临床NLP工具medSpaCy [30.从笔记中提取这些部分。我们随机选择了一个笔记，提取了前面提到的相关章节，并对6类SBDH信息进行了标注。这个过程重复进行，直到我们达到1000个至少有一个SBDH注释的注释。这个带注释的子集后来用于训练来自transformer (BERT)模型的双向编码器表示，以在单词级别提取SBDH。伯特(31]是一种最先进的语言表示模型，在广泛的任务中成功地超越了许多其他NLP系统。我们使用训练过的模型来预测剩余音符的SBDH信息。对于有多个相同类型音符的承认，我们将最后一个音符作为该承认的代表，因为它通常包括所有前面音符的内容。

我们选择的6个SBDH变量是(1)住房不安全，(2)失业，(3)社会隔离，(4)饮酒，(5)吸烟，和(6)非法药物使用。前三个是社会决定因素，是根据凯撒家庭基金会(Kaiser Family Foundation)提供的被广泛接受的社会决定因素清单选出的。32］．其余是与药物使用相关的健康风险行为(即行为决定因素)，这些行为是根据其临床意义和与OD的相关性选择的。中提供了注释过程、NLP模型开发和SBDH变量提取过程的详细信息多媒体附件2．

除了nlp衍生的SBDH变量外，我们还从结构化数据中确定了社会决定因素。我们使用了来自患者诊断的ICD-9代码[33]构建这3个SBDH变量:(1)住房不安全，(2)失业，(3)社会孤立。这些后来与nlp派生的SBDH变量集成，并在任何不匹配的情况下进行优先级排序。例如，如果NLP系统将“住房不安全”检测为入院的“否”，而我们从入院的诊断代码中获得“是”，我们将“是”视为正确的值。最终，有41,669例入院患者(41,669/48,869,85.27%)至少有一个SBDH变量。表1用简要的描述和例子说明了6个SBDH变量。如果承认没有提及SBDH信息，SBDH变量被编码为“未知”。例如，如果入院记录中没有提到患者的住房状况，则无家可归者被认为是“未知的”。除了这3个SBDH变量外，我们还使用ICD-9代码提取了保险提供商(私人、医疗补助、医疗保险、其他政府或自付)信息。

结果

结果为非致死性OD，使用ICD-9编码识别[34］．

统计分析

首先，我们对所有变量进行相关和共线性分析。相关图与方差膨胀因子[35]在变量之间没有多重共线性。对于临床变量，基于早期工作和任务相关性，我们选择了14种共病:创伤后应激障碍、重度抑郁症、双相情感障碍、精神分裂症、酒精使用障碍、药物使用障碍、烟草使用障碍、丙型肝炎、糖尿病、充血性心力衰竭、阻塞性睡眠呼吸暂停、慢性阻塞性肺病、肝硬化和肾功能不全。我们建立了逻辑回归模型，并采用顺序前向选择程序[36]以确定与OD相关的最重要的临床变量。最终的清单包括8个临床变量:药物使用障碍、双相情感障碍、烟草使用障碍、重度抑郁症、酒精使用障碍、肝硬化、COPD和肾功能不全。

我们使用逻辑回归模型来检验非致死性OD与人口学、SBDH和临床变量的关系。这是根据95% ci的调整比值比(aOR)进行评估的。我们还评估了95% ci的粗比值比(OR)。统计学意义在P< . 05。Hosmer-Lemeshow检验结果与我们的模型(χ₈= 10.39;P= .24)。本研究所有统计分析均使用R(4.0.2版本)进行。

结果

描述性分析

表2介绍了我们的队列(n=48,869)的特征。我们的样本主要由男性(27,436/48,869,56.14%)和白人(35,058/48,869,71.74%)组成。64岁以上患者占多数(25276 / 48869,51.72%)。在临床变量中，肾功能不全最常见(8158/ 48869,16.69%)，其次是COPD(5674/ 48869, 11.61%)和酒精使用障碍(4121/ 48869,8.43%)。在我们的队列中，我们观察到7.28%(3559/48,869)的患者失业，13.35%(6523/48,869)的患者社会孤立，0.82%(402/48,869)的患者住房不安全。我们发现了171例(171/48,869,0.35%)非致死性OD。

在nlp衍生的6个SBDH变量中，只有住房不安全、失业和社会孤立与ICD-9诊断代码相关。与nlp衍生的变量相比，这些结构化变量很少被编码。例如，使用ICD-9代码，我们发现了258份“住房不安全”申请，而NLP系统检测到402份。在“失业”方面，ICD-9编码为20,NLP系统为10876。更引人注目的是，对于“社会隔离”，只有4名入院患者的诊断中有相关的ICD-9代码，而NLP系统发现了6523名入院患者。由于存在显著的患病率差距，我们没有将这两种类型的SBDH变量的质量并排进行比较。总体而言，结构化SBDH变量仅占SBDH变量的0.18%。这清楚地表明，当结构化数据不够时，NLP可以用于从EHR笔记中提取SBDH信息。这也有助于减少仅使用结构化数据带来的偏见。

多变量Logistic回归分析

几个因素与非致命性OD密切相关(表3)．在人口统计学危险因素中，黑人(aOR 0.51, 95% CI 0.28-0.94)和老年人群(40-64岁:aOR 0.65, 95% CI 0.44-0.96;>64岁:aOR 0.16, 95% CI 0.08-0.34)与白种人和年轻患者相比，患病几率较低。在8个临床变量中，5个为非致死性OD的强危险因素。我们观察到药物使用障碍(aOR 8.17, 95% CI 5.44-12.27)、双相情感障碍(aOR 2.69, 95% CI 1.68-4.29)和重度抑郁症(aOR 2.57, 95% CI 1.12-5.88)患者过量用药的几率增加。有趣的是，烟草使用障碍(aOR 0.53, 95% CI 0.32-0.89)和酒精使用障碍(aOR 0.64, 95% CI 0.42-1.00)的患病几率降低。在SBDH变量中，与有私人医疗保险的人相比，有医疗补助的人有更高的几率(aOR 2.26, 95% CI 1.43-3.58)。既往(aOR 2.09, 95% CI 1.15-3.79)和目前(aOR 2.06, 95% CI 1.20-3.55)使用非法药物也与结局密切相关。

讨论

主要研究结果

据我们所知，这是第一个检查非致命性OD导致ICU入院相关风险因素的研究。在美国，对重症监护患者OD特征的需求正在上升[23，24]，本研究通过从大型ICU数据库中识别非致命性OD的危险因素部分解决了这一问题。新颖之处还在于使用了最先进的NLP系统，由于结构化数据表示不足，该系统利用非结构化EHR笔记进行基本的SBDH提取。越来越多的文献表明，SBDH可以强烈影响患者的健康和结果[12］．例如，SBDH变量已被证明与自杀企图密切相关[11]，死亡率[17]，以及精神健康诊断[18］．卫生保健系统面临的挑战是建立能够识别SBDH的方法，并在护理点使用它们来告知临床行动[37，38］．我们的工作表明，在这方面，使用NLP从EHR文本中检测SBDH信息是一个可行的选择。

根据我们的分析，在ICU环境中，多个SBDH变量与非致死性OD显著相关。我们观察到，经济不稳定(失业)的患者更有可能过量用药，但无家可归和社会孤立几乎没有带来额外的风险。在行为决定因素中，当前的酗酒者和吸烟者有较高的过量几率，而前用户的几率降低了。在这两种情况下，非法药物使用与非致命性吸毒过量密切相关前而且当前的用户。在临床变量中，烟草使用障碍和酒精使用障碍与非致死性OD有很强的负相关。我们假设，大多数被诊断患有此类疾病的患者已经接受了额外的社会咨询或临床支持，这有助于他们建立更好的健康和行为实践。然而，我们在MIMIC-III中没有足够的相关入院数据来验证这一假设;需要进一步的研究来确定这一观察结果的原因。

限制

我们的研究有几个局限性。EHR数据容易因供应商文档而变化，可能包含不完整的SBDH信息[39］．此外，仅使用ICD-9代码来识别不同的医疗状况可能导致相应变量的值不准确或具有误导性。然而，结构化数据通常明显缺乏SBDH信息(本研究仅为0.18%)，使得基于nlp的方法成为人口研究的有价值的集成。最后，我们的数据显示非致命性OD病例的患病率非常低(171/48,869,0.35%)，而MIMIC (ICU)数据库可能无法描述一般门诊/住院医院的情况。

虽然我们的研究描述了一个重要的方法过程，可以确定需要考虑的重要SBDH因素，这是必要的第一步，但还需要进一步研究后续步骤，即如何最好地向提供者分享和翻译这些信息，以便他们能够有效地和切实地使用这些发现。在我们未来的工作中，我们希望对用于SBDH提取的NLP系统预测进行建模，以及如何更好地将它们与预测器评估指标(如OR)联系起来。

结论

这是第一个评估导致ICU入院的非致命性OD相关风险因素的工作。我们的工作得出结论，数据驱动的NLP系统在从非结构化EHR文本数据中自动提取SBDH信息方面非常有益。我们还表明，分析重症监护入院对更好地了解阿片类药物流行至关重要。利用NLP来利用丰富的EHR记录和在重症监护环境中进行更多的流行病学研究，可能有助于对OD危机进行更深入的分析，从而开发更好的风险评估工具和有效的预防系统。