Drug overdose deaths in Brazil between 2000 and 2020: an analysis of sociodemographics and intentionality
Notice bibliographique
Résumé
OBJECTIVES: To examine drug overdose records in Brazil from 2000 to 2020, analyzing trends over time in overdoses and overall sociodemographic characteristics of the deceased. METHODS: Using data from the Brazilian Mortality Information System (Sistema de Informações sobre Mortalidade), we identified records from 2000-2020 in which the underlying cause-of-death was one of the following codes: X40-X45 (accidental poisoning), X60-X65 (intentional poisoning), or Y10-Y15 (undetermined intentionality poisoning). The Brazilian dataset included 21,410 deaths. We used joinpoint regression analysis to assess changes in trends over time. RESULTS: People who died of drug overdoses in Brazil between 2000 and 2020 had a mean age of 38.91 years; 38.45% were women, and 44.01% were identified as White. Of the overdose deaths, 44.70% were classified as intentional and 32.12% were classified as unintentional. Among the identified drugs, stimulants were the most common class. However, most records did not report which drug was responsible for death. CONCLUSION: Sociodemographic trends in overdose deaths in Brazil must guide country-specific policies. Nevertheless, data collection protocols must be improved, particularly regarding the drug used in overdoses.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».