Identifying the changing age distribution of opioid-related mortality with high-frequency data
Notice bibliographique
Résumé
BACKGROUND: Opioid-related mortality continues to rise across North America, and mortality rates have been further exacerbated by the COVID-19 pandemic. This study sought to provide an updated picture of trends of opioid-related mortality for Ontario, Canada between January 2003 and December 2020, in relation to age and sex. METHODS: Using mortality data from the Office of the Chief Coroner for Ontario, we applied Bayesian Poisson regression to model age/sex mortality per 100,000 person-years, including random walks to flexibly capture age and time effects. Models were also used to explore how trends might continue into 2022, considering both pre- and post-COVID-19 courses. RESULTS: From 2003 to 2020, there were 11,633 opioid-related deaths in Ontario. A shift in the age distribution of mortality was observed, with the greatest mortality rates now among younger individuals. In 2003, mortality rates reached maximums at 5.5 deaths per 100,000 person-years (95% credible interval: 4.0-7.6) for males around age 44 and 2.2 deaths per 100,000 person-years (95% CI: 1.5-3.2) for females around age 51. As of 2020, rates have reached maximums at 67.2 deaths per 100,000 person-years (95% CI: 55.3-81.5) for males around age 35 and 16.8 deaths per 100,000 person-years (95% CI: 12.8-22.0) for females around age 37. Our models estimate that opioid-related mortality among the younger population will continue to grow, and that current conditions could lead to male mortality rates that are more than quadruple those of pre-pandemic estimations. CONCLUSIONS: This analysis may inform a refocusing of public health strategy for reducing rising rates of opioid-related mortality, including effectively reaching both older and younger males, as well as young females, with health and social supports such as treatment and harm reduction measures.
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 | 0,004 | 0,016 |
| 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».