Analysis of Wastewater Samples to Explore Community Substance Use in the United States: Pilot Correlative and Machine Learning Study
Notice bibliographique
Résumé
Background Substance use disorder and associated deaths have increased in the United States, but methods for detecting and monitoring substance use using rapid and unbiased techniques are lacking. Wastewater-based surveillance is a cost-effective method for monitoring community drug use. However, the examination of the results often focuses on descriptive analysis. Objective The objective of this study was to explore community substance use in the United States by analyzing wastewater samples. Geographic differences and commonalities of substance use were explored. Methods Wastewater was sampled across the United States (n=12). Selected drugs with misuse potential, prescriptions, and over-the-counter drugs and their metabolites were tested across geographic locations for 7 days. Methods used included wastewater assessment of substances and metabolites paired with machine learning, specifically discriminant analysis and cluster analysis, to explore similarities and differences in wastewater measures. Results Geographic variations in the wastewater drug or metabolite levels were found. Results revealed a higher use of methamphetamine (z=–2.27, P=.02) and opioids-to-methadone ratios (oxycodone-to-methadone: z=–1.95, P=.05; hydrocodone-to-methadone: z=–1.95, P=.05) in states west of the Mississippi River compared to the east. Discriminant analysis suggested temazepam and methadone were significant predictors of geographical locations. Precision, sensitivity, specificity, and F1-scores were 0.88, 1, 0.80, and 0.93, respectively. Finally, cluster analysis revealed similarities in substance use among communities. Conclusions These findings suggest that wastewater-based surveillance has the potential to become an effective form of surveillance for substance use. Further, advanced analytical techniques may help uncover geographical patterns and detect communities with similar needs for resources to address substance use disorders. Using automated analytics, these advanced surveillance techniques may help communities develop timely, tailored treatment and prevention efforts.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».