Un’elaborazione più rapida dei dati è fondamentale per elaborare una risposta rapida di salute pubblica per frenare i decessi per overdose
Un processo automatizzato basato su algoritmi informatici in grado di leggere il testo dei certificati di morte dei medici legali può accelerare notevolmente la raccolta di dati sui decessi per overdose, il che a sua volta può garantire un tempo di risposta della salute pubblica più rapido rispetto al sistema attualmente utilizzato, rileva una nuova ricerca dell’UCLA.
L’analisi, che sarà pubblicata l’8 agosto sul JAMA Network Open sottoposto a revisione paritaria , ha utilizzato strumenti dell’intelligenza artificiale per identificare rapidamente le sostanze che hanno causato morti per overdose.
“La crisi per overdose in America è la prima causa di morte nei giovani adulti, ma non conosciamo il numero effettivo di decessi per overdose fino a pochi mesi dopo il fatto”, ha affermato il dottor David Goodman-Meza, assistente professore di medicina. nella divisione delle malattie infettive presso la David Geffen School of Medicine dell’UCLA. “Inoltre non conosciamo il numero di overdose nelle nostre comunità, poiché i dati rilasciati rapidamente sono disponibili solo a livello statale, nella migliore delle ipotesi. Abbiamo bisogno di sistemi che ottengano questi dati velocemente ea livello locale in modo che la salute pubblica possa rispondere. L’apprendimento automatico e l’elaborazione del linguaggio naturale possono aiutare a colmare questa lacuna”.
Allo stato attuale, la registrazione dei dati di overdose prevede diversi passaggi, a cominciare da medici legali e coroner, che determinano una causa di morte e registrano le sospette overdose di droga sui certificati di morte, compresi i farmaci che hanno causato la morte. I certificati, che includono testo non strutturato, vengono quindi inviati alle giurisdizioni locali o ai Centers for Disease Control and Prevention (CDC) che li codificano secondo l’International Statistical Classification of Diseases and Related Health Problems, Decima edizione (ICD-10). Questo processo di codifica richiede molto tempo poiché può essere eseguito manualmente. Di conseguenza, c’è un notevole ritardo tra la data del decesso e la segnalazione di tali decessi, che rallenta il rilascio dei dati di sorveglianza. Questo a sua volta rallenta la risposta della salute pubblica.
Un’ulteriore complicazione è che in questo sistema, farmaci diversi con usi ed effetti diversi sono aggregati sotto lo stesso codice – ad esempio la buprenorfina, un oppioide parziale usato per trattare il disturbo da uso di oppioidi, e l’oppioide sintetico fentanil sono elencati sotto lo stesso ICD-10 codice.
Per questo studio, i ricercatori hanno utilizzato la “elaborazione del linguaggio naturale” (NLP) e l’apprendimento automatico per analizzare quasi 35.500 record di morte per tutto il 2020 dal Connecticut e da 9 contee degli Stati Uniti: Cook (Illinois); Jefferson (Alabama); Johnson, Denton, Tarrant e Parker (Texas), Milwaukee (Wisconsin) e Los Angeles e San Diego. Hanno esaminato in che modo la combinazione di NLP, che utilizza algoritmi informatici per comprendere il testo, e l’apprendimento automatico può automatizzare la decifrazione di grandi quantità di dati con precisione e accuratezza.
Hanno scoperto che delle 8.738 morti per overdose registrate quell’anno le sostanze specifiche più comuni erano fentanil (4758, 54%), alcol (2866, 33%), cocaina (2247, 26%), metanfetamina (1876, 21%), eroina (1613, 18%), oppioidi soggetti a prescrizione (1197, 14%) e qualsiasi benzodiazepina (1076, 12%). Di questi, solo la classificazione per le benzodiazepine era subottimale con questo metodo e gli altri erano perfetti o quasi perfetti.
Più di recente il CDC ha rilasciato dati preliminari sul sovradosaggio non prima di quattro mesi dopo la morte, ha detto Goodman-Meza.
“Se questi algoritmi sono incorporati negli uffici del medico legale, il tempo potrebbe essere ridotto non appena vengono completati i test tossicologici, che potrebbero essere circa tre settimane dopo la morte”, ha affermato.
Il resto dei decessi per overdose era dovuto ad altre sostanze come anfetamine, antidepressivi, antipsicotici, antistaminici, anticonvulsivanti, barbiturici, miorilassanti e allucinogeni. I ricercatori notano alcune limitazioni allo studio, la principale è che il sistema non è stato testato su meno sostanze comuni come anticonvulsivanti o altre droghe sintetiche, quindi non è noto se funzionerebbero per questi. Inoltre, dato che i modelli devono essere addestrati per fare affidamento su un grande volume di dati per fare previsioni, il sistema potrebbe non essere in grado di rilevare le tendenze emergenti.
Ma sono necessari dati rapidi e accurati per sviluppare e implementare interventi per frenare le overdose, scrivono i ricercatori, e “strumenti di NLP come questi dovrebbero essere integrati nei flussi di lavoro di sorveglianza dei dati per aumentare la rapida diffusione dei dati al pubblico, ai ricercatori e ai responsabili politici. “
I coautori dello studio oltre a Goodman-Meza sono Chelsea Shover, Dr. Jesus Medina, Dr. Amber Tang, Steven Shoptaw e Alex Bui dell’UCLA.
