<i>Vital Signs</i>: Trends in Emergency Department Visits for Suspected Opioid Overdoses — United States, July 2016–September 2017
Notice bibliographique
Résumé
INTRODUCTION: From 2015 to 2016, opioid overdose deaths increased 27.7%, indicating a worsening of the opioid overdose epidemic and highlighting the importance of rapid data collection, analysis, and dissemination. METHODS: Emergency department (ED) syndromic and hospital billing data on opioid-involved overdoses during July 2016-September 2017 were examined. Temporal trends in opioid overdoses from 52 jurisdictions in 45 states were analyzed at the regional level and by demographic characteristics. To assess trends based on urban development, data from 16 states were analyzed by state and urbanization level. RESULTS: From July 2016 through September 2017, a total of 142,557 ED visits (15.7 per 10,000 visits) from 52 jurisdictions in 45 states were suspected opioid-involved overdoses. This rate increased on average by 5.6% per quarter. Rates increased across demographic groups and all five U.S. regions, with largest increases in the Southwest, Midwest, and West (approximately 7%-11% per quarter). In 16 states, 119,198 ED visits (26.7 per 10,000 visits) were suspected opioid-involved overdoses. Ten states (Delaware, Illinois, Indiana, Maine, Missouri, Nevada, North Carolina, Ohio, Pennsylvania, and Wisconsin) experienced significant quarterly rate increases from third quarter 2016 to third quarter 2017, and in one state (Kentucky), rates decreased significantly. The highest rate increases occurred in large central metropolitan areas. CONCLUSIONS AND IMPLICATIONS FOR PUBLIC HEALTH PRACTICE: With continued increases in opioid overdoses, availability of timely data are important to inform actions taken by EDs and public health practitioners. Increases in opioid overdoses varied by region and urbanization level, indicating a need for localized responses. Educating ED physicians and staff members about appropriate services for immediate care and treatment and implementing a post-overdose protocol that includes naloxone provision and linking persons into treatment could assist EDs with preventing overdose.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».