Bayesian spatial analysis of age differences and geographical variations in illicit-drug-related mortality in the Islamic Republic of Iran
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Background: Drug use disorders are significant social and public health concerns in the Islamic Republic of Iran; however, little is known about drug-related mortality. Aims: We quantified the spatial and age distribution of direct illicit-drug-related mortality in the Islamic Republic of Iran, to inform harm reduction policies and interventions. Methods: We modelled and mapped registered illicit-drug-related deaths from March 2016 to March 2017. Data were obtained from the Iranian Forensic Medicine Organization. Besag-York-Mollie models were fitted using Bayesian spatial analysis to estimate the relative risk of illicit-drug-related mortality across different provinces and age groups. Results: There were 2203 registered illicit-drug-related deaths during the study period, 1289 (58.5%) occurred in people aged 20-39 years and among men (n = 2013; 91.4%). The overall relative risk (95% credible interval) of illicit-drug-related mortality in the provinces of Hamadan (3.37; 2.88-3.91), Kermanshah (1.90; 1.55-2.28), Tehran (1.80; 1.67-1.94), Lorestan (1.71; 1.37-2.09), Isfahan (1.40; 1.21-1.60), and Razavi Khorasan (1.18; 1.04-1.33) was significantly higher than in the rest of the country. Conclusion: We found evidence of age differences and spatial variations in illicit-drug-related mortality across different provinces in the Islamic Republic of Iran. Our findings highlight the urgent need to revisit existing drug-use treatment and harm reduction policies and ensure that overdose prevention programmes are adequately available for different age groups and settings.
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.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 découle