为了更有效地预防意外的阿片类药物过量，医务人员需要强大且及时的工具来有效识别患者的风险，本研究通过 Reddit 这类社区平台中的自述信息，构建了一个中等规模的含有 2500 条与阿片类药物相关的帖子语料库，对这些帖子进行了分阶段的注释，并通过研究这些注释在模型开发和质量方面的作用，评估了几种最先进的模型，结果显示，在高风险领域如阿片类药物使用障碍研究中，使用解释可以显著提高分类准确度。

Nov, 2023

通过构建大规模的多方面的与阿片类药物使用者相关的膳食基准数据集，并借助 Opioid Misuse Detection with Interpretable Dietary Patterns (Diet-ODIN) 框架，该论文在探索阿片类药物滥用与饮食模式之间的复杂相互作用方面表现出杰出的性能。

Feb, 2024

该研究分析了社交媒体上的药物滥用帖子和通过加密市场公开售卖的合成阿片类药物，并使用药物滥用本体论，深度学习和基于 BERT 的模型来生成情感和情绪，进而了解用户对各种药物的感知，核对各个药物对应的情绪和情感，结合话题分析帮助政策制定，在必要时进行干预以遏制阿片类药物的危害。

Mar, 2021

通过对 Reddit 上的用户帖子进行收集和分析，结合关注度双向长短期记忆模型，该研究利用机器学习技术成功识别出了滥用阿片类药物的用户，并通过关注层提取了关键词，从而更好地理解该算法如何区分药物使用者和非药物使用者。

Feb, 2024

使用生物知识图谱进行药物再利用，通过预测候选药物的有效性和药物与与疾病相关的蛋白质结合的可能性，通过嵌入模型和神经网络进行学习并实现了不同的模型来获取节点嵌入。在 MR、MRR 和 Hits@3 方面，RESCAL 在测试数据集上表现最佳。

Dec, 2022

该论文介绍了一种名为 medicX 的端到端框架，它将来自公共药物库的多种药物特征集成到一个知识图谱中，并使用各种翻译、分解和神经网络方法嵌入图谱中的节点，最终使用机器学习算法来预测未知的药物相互作用。

Aug, 2023

本研究提出了一种生成模型，通过分析医药索赔数据来发现对患者造成不良后果的特点，以便解决目前美国合成阿片类药物处方滥用的问题。

May, 2019

本文使用深度学习、BERT 模型以及情感分析来研究社交媒体中与合成类阿片类药物相关的帖子，分析了社交媒体和加密市场数据，探究人们对不同药物的感受和态度，最终建立了基于这些特征的时间感知神经模型，成功地 (具有统计学意义) 识别出物质滥用障碍。

Apr, 2023

本文提出了一种新的基于多数据源知识图谱嵌入的机器学习方法，用于预测药物相互作用的风险，融合了 DrugBank、PharmGKB 和 KEGG drug 三个数据库中的 12,000 个药物属性信息进行训练，并采用 ComplEx 嵌入方法、Convolutional-LSTM 神经网络和机器学习模型来实现，通过三个最佳分类器的模型平均集成方法，在 5 折交叉验证测试中得到的平均精度、F1-score 和 MCC 值分别为 0.94、0.92、0.80。

Aug, 2019

利用实时犯罪动态预测阿片类药物过量，并提出基于区域群组的深度学习架构，它能够自适应地优化位置预测，为预防阿片类药物过量提供有意义的解释。

May, 2019