At-a-glance - What can paramedic data tell us about the opioid crisis in Canada?
Notice bibliographique
Résumé
The nature of Canada's opioid crisis necessitates additional data sources that can provide a more comprehensive picture of the epidemic, in order to provide public health officials and decision-makers with a robust evidence base. Paramedic data provide a conduit into the community where overdoses occur. Prehospital events and circumstances surrounding opioid-related overdoses provide unique opportunities to collect evidence that can contribute to prevention, harm reduction and health promotion efforts. Using data extracted from the Ottawa Paramedic Service (OPS), this proof-of-concept study demonstrated that paramedic response data were useful in providing near real-time epidemiological information (person, time and place) on the opioid epidemic and in assessing trends and opportunities to develop alert triggers. Between January and June 2017, the OPS responded to an average of four opioid-related calls each week. On average, 0.5 mg of naloxone was administered each time. For the study period, linear trends show a small but insignificant increase in calls (p = 0.18). A higher volume of calls occurred between April 16 and 29, 2017. According to local media reports, this spike in paramedic responses was due to the arrival of high-grade fentanyl in Ottawa. With further validation, paramedic data can potentially provide a novel data source to monitor opioid-related overdoses.
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 | 0,005 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,014 |
| Études des sciences et des technologies | 0,006 | 0,004 |
| Communication savante | 0,007 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,000 |
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 ».