Multiscale dimensions of county-level disparities in opioid use disorder rates among older Medicare beneficiaries
Notice bibliographique
Résumé
Background: Opioid use disorder (OUD) among older adults (age ≥ 65) is a growing yet underexplored public health concern and previous research has mainly assumed that the spatial process underlying geographic patterns of population health outcomes is constant across space. This study is among the first to apply a local modeling perspective to examine the geographic disparity in county-level OUD rates among older Medicare beneficiaries and the spatial non-stationarity in the relationships between determinants and OUD rates. Methods: Data are from a variety of national sources including the Centers for Medicare & Medicaid Services beneficiary-level data from 2020 aggregated to the county-level and county-equivalents, and the 2016-2020 American Community Survey (ACS) 5-year estimates for 3,108 contiguous US counties. We use multiscale geographically weighted regression to investigate three dimensions of spatial process, namely "level of influence" (the percentage of older Medicare beneficiaries affected by a certain determinant), "scalability" (the spatial process of a determinant as global, regional, or local), and "specificity" (the determinant that has the strongest association with the OUD rate). Results: The results indicate great spatial heterogeneity in the distribution of OUD rates. Beneficiaries' characteristics, including the average age, racial/ethnic composition, and the average hierarchical condition categories (HCC) score, play important roles in shaping OUD rates as they are identified as primary influencers (impacting more than 50% of the population) and the most dominant determinants in US counties. Moreover, the percentage of non-Hispanic white beneficiaries, average number of mental health conditions, and the average HCC score demonstrate spatial non-stationarity in their associations with the OUD rates, suggesting that these variables are more important in some counties than others. Conclusions: Our findings highlight the importance of a local perspective in addressing the geographic disparity in OUD rates among older adults. Interventions that aim to reduce OUD rates in US counties may adopt a place-based approach, which could consider the local needs and differential scales of spatial process.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».