人工智能算法可帮助识别有滥用毒品风险的无家可归青年

尽管已经实施了许多计划和举措来解决美国无家可归青年中滥用药物的情况，但它们并不总是包括对环境和心理因素的数据驱动见解，这些见解可能会导致个人发展出使用毒品的可能性紊乱。

现在，由宾夕法尼亚州立大学信息科学与技术学院的研究人员开发的人工智能(AI)算法可以帮助预测无家可归的年轻人中物质使用障碍的易感性，并为高度易感的无家可归的年轻人提供个性化的康复计划。

信息科学与技术助理教授，该项目的主要研究人员Amulya Yadav表示：“主动预防流浪青年中的物质使用障碍比采取缓解反应的策略(例如对该疾病的药物治疗和其他相关干预措施)更为可取。”“不幸的是，以前大多数主动预防的尝试都是临时实施的。”

“为了帮助政策制定者以有原则的方式制定有效的计划和政策，开发人工智能和机器学习解决方案将能够自动发现与无家可归的年轻人中与毒品使用障碍相关的一系列综合因素，这将是有益的。”信息学博士生和项目论文的主要作者，该论文将在8月底的数据库知识发现(KDD)会议上发表。

在该项目中，研究团队使用从美国六个州的大约1400名18至26岁的无家可归青年中收集的数据集构建了模型。该数据集由青年稳定与繁荣研究，教育和倡导合作实验室(REALYST)收集，其中包括丹佛大学社会工作助理教授Anamika Barman-Adhikari，也是该论文的合著者。

然后，研究人员确定了与药物滥用相关的环境，心理和行为因素，例如犯罪史，受害经历和心理健康特征。他们发现，与无家可归的年轻人相比，不良的童年经历和身体上的街头受害与物质使用障碍的关系要强于其他类型的受害(例如性行为)。此外，据研究人员称，与该人群中的其他精神健康障碍相比，PTSD和抑郁症与物质使用障碍的相关性更高。

接下来，研究人员将其数据集分为六个较小的数据集，以分析地理差异。该团队训练了一个单独的模型来预测六个州中每个州的无家可归的年轻人中的药物滥用疾病-这些州的环境条件，毒品合法化政策和帮派协会各不相同。塔巴尔说，研究小组观察到了某些因素在关联水平上的几个特定于位置的变化。

Yadav说：“通过观察模型学到的知识，我们可以有效地找出可能与滥用毒品者相关的因素。”“而且一旦我们知道了这些因素，我们就能更准确地预测某人是否遭受药物滥用。”

他补充说：“因此，如果政策规划师或干预人员要制定旨在减少吸毒障碍患病率的计划，则可以提供有用的指导。”

KDD论文的其他作者包括宾夕法尼亚州立大学信息科学与技术学院副教授Dongwon Lee和博士生Stephanie Winkler。以及成均馆大学Heesoo Park

Yadav和Barman-Adhikari正在合作进行类似的项目，通过他们开发了一个软件代理，该软件代理为患有阿片类药物成瘾的无家可归的年轻人设计了个性化的康复计划。他们的仿真结果表明，该软件代理-称为CORTA(由人工智能驱动的综合性阿片响应工具)-在使遭受阿片类药物成瘾的无家可归的年轻人数量最小化方面，比基线大约提高了110%。

雅达夫说：“我们想了解人们发展阿片成瘾的根源是什么。”“然后我们希望将这些无家可归的年轻人分配到适当的康复计划中。”

Yadav解释说，美国1,400多名无家可归的年轻人收集的数据用于建立AI模型，以预测该人群中阿片类药物成瘾的可能性。在研究了可能是阿片类药物成瘾的根本原因的问题(例如寄养史或街头暴力事件)后，CORTA解决了新颖的优化方案，以分配个性化的康复计划。

Yadav解释说：“例如，如果一个人因为与世隔绝或没有社交圈而患上阿片类药物成瘾，那么也许作为康复计划的一部分，他们应该与辅导员交谈。”“另一方面，如果某人由于因为找不到工作或支付账单而感到沮丧而染上瘾，那么职业顾问应该成为康复计划的一部分。”

Yadav补充说：“如果您只对疾病进行医学治疗，一旦病情回到现实世界，由于仍然存在病因，它们很可能会复发。”

Yadav和Barman-Adhikari将在国际人工智能联合会议-环太平洋国际人工智能会议(IJCAI-PRICAI)上发表有关CORTA的论文，“针对无家可归的青年人的阿片类药物成瘾的最佳和非歧视性康复计划设计” ，原定于2020年7月举行，但由于新型冠状病毒大流行而被重新安排。

CORTA项目的其他合作者包括宾夕法尼亚州立大学的博士生Roopali Singh(统计)，Nikolas Siapoutis(统计)和Yu Liang(信息学)。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！