Opioid crisis in rural and urban counties from 2010 to 2018: in light of the index of relative rurality
Notice bibliographique
Résumé
Abstract Previous studies have documented the rural-urban disparities of the opioid crisis, but rarely consider the heterogeneities within rural and urban areas, nor the changing dynamics of the rural-urban boundaries. Taking advantage of a continuous measure of rurality, this study separates counties into “becoming-more-rural” and “becoming-more-urban” groups according to the change of rurality between 2000 and 2010, and compares the determinants of the development of prescription opioid-, heroin-, and synthetic opioid-related opioid mortality in the two groups of counties. The analysis uses longitudinal data of 2010–2018 from a variety of national datasets such as the confidential Multiple-Cause of Death data, the U.S. Opioid Dispensing Rate Maps, and the American Community Survey. The results show that while increasing rurality does not predict increasing prescription opioid- and synthetic opioid-involved mortality, the growth of heroin-involved mortality could be a severe issue for becoming-more-rural counties that have already observed heroin overdose deaths. The demographic groups that have higher risk of opioid overdoses may be different in different areas, for example increasing males and people engaged in manual labor occupations are associated with increasing prescription opioid-involved mortality for becoming-more-rural counties but in becoming-more-urban areas, heroin-involved mortality correlates to a higher percentage of Hispanics. Concentrations of socioeconomically disadvantaged populations like veterans and people in poverty increase opioid overdose deaths particularly for becoming-more-urban counties, while healthcare services shown more beneficial to becoming-more-rural areas. The findings suggest that the programs and regulations to reduce opioid-involved mortality should consider the changing nature of counties in the degree of rurality.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».