Prevalence of opioid dependence in New South Wales, Australia, 2014–16: Indirect estimation from multiple data sources using a Bayesian approach
Notice bibliographique
Résumé
AIMS: To estimate the prevalence of, and number of unobserved people with opioid dependence by sex and age group in New South Wales (NSW), Australia. DESIGN: We applied a Bayesian statistical modelling approach to opioid agonist treatment records linked to adverse event rate data. We estimated prevalence from three types of adverse event separately: opioid mortality, opioid-poisoning hospitalizations and opioid-related charges. We extended the model and produced prevalence estimates from a 'multi-source' model based on all three types of adverse event data. SETTING, PARTICIPANTS AND MEASUREMENTS: This study was conducted in NSW, Australia, 2014-16 using data from the Opioid Agonist Treatment and Safety (OATS) study, which included all people who had received treatment for opioid dependence in NSW. Aggregate data were obtained on numbers of adverse events in NSW. Rates of each adverse event type within the OATS cohort were modelled. Population data were provided by State and Commonwealth agencies. FINDINGS: Prevalence of opioid dependence among those aged 15-64 years in 2016 was estimated to be 0.96% (95% credible interval [CrI] = 0.82%, 1.12%) from the mortality model, 0.75% (95% CrI = 0.70%, 0.83%) from hospitalizations, 0.95% (95% CrI = 0.90%, 0.99%) from charges and 0.92% (95% CrI = 0.88%, 0.96%) from the multi-source model. Of the estimated 46 460 (95% CrI = 44 680, 48 410) people with opioid dependence in 2016 from the multi-source model, approximately one-third (16 750, 95% CrI = 14 960, 18 690) had no record of opioid agonist treatment within the last 4 years. From the multi-source model, prevalence in 2016 was estimated to be 1.24% (95% CrI = 1.18%, 1.31%) in men aged 15-44, 1.22% (95% CrI = 1.14%, 1.31%) in men 45-64, 0.63% (95% CrI = 0.59%, 0.68%) in women aged 15-44 and 0.56% (95% CrI = 0.50%, 0.63%) in women aged 45-64. CONCLUSIONS: A Bayesian statistical approach to estimate prevalence from multiple adverse event types simultaneously calculates that the estimated prevalence of opioid dependence in NSW, Australia in 2016 was 0.92%, higher than previous estimates.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».