The Rural Opioid Initiative Consortium description: providing evidence to Understand the Fourth Wave of the Opioid Crisis
Notice bibliographique
Résumé
OBJECTIVE: To characterize and address the opioid crisis disproportionately impacting rural U.S. regions. METHODS: The Rural Opioid Initiative (ROI) is a two-phase project to collect and harmonize quantitative and qualitative data and develop tailored interventions to address rural opioid use. The baseline quantitative survey data from people who use drugs (PWUD) characterizes the current opioid epidemic (2018-2020) in eight geographically diverse regions. RESULTS: Among 3,084 PWUD, 92% reported ever injecting drugs, 86% reported using opioids (most often heroin) and 74% reported using methamphetamine to get high in the past 30 days; 53% experienced homelessness in the prior 6 months; and 49% had ever overdosed. Syringe service program use varied by region and 53% had ever received an overdose kit or naloxone prescription. Less than half (48%) ever received medication for opioid use disorder (MOUD). CONCLUSIONS: The ROI combines data across eight rural regions to better understand drug use including drivers and potential interventions in rural areas with limited resources. Baseline ROI data demonstrate extensive overlap between opioid and methamphetamine use, high homelessness rates, inadequate access to MOUD, and other unmet needs among PWUD in the rural U.S. By combining data across studies, the ROI provides much greater statistical power to address research questions and better understand the syndemic of infectious diseases and drug use in rural settings including unmet treatment needs.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».