Detection of Suicide Clusters using Small-Area Geographic Data from the Virginia Violent Death Reporting System, 2010 - 2015.
Notice bibliographique
Résumé
Introduction: From 1999 to 2020, the suicide rate in Virginia increased from 13.1 to 15.9 per 100,000 persons aged 10 years and older. Few studies have examined spatial patterns of suicide geographies smaller than the county level. Methods: We analyzed data from suicide decedents aged ≥10 years from 2010 through 2015 in the Virginia Violent Death Reporting System. We identified spatial clusters of high suicide rates using spatially adaptive filtering with standardized mortality ratio (SMR) significantly higher than the state SMR (p < 0.001). We compared demographic characteristics, method of injury, and suicide circumstances of decedents within each cluster to decedents outside any cluster. Results: We identified 13 high-risk suicide clusters (SMR between 1.7 and 2.0). Suicide decedents in the clusters were more likely to be older (40+ years), non-Hispanic white, widowed/divorced/separated, and less likely to have certain precipitating suicide circumstances than decedents outside the clusters. Suicide by firearm was more common in four clusters, and suicide by poisoning was more common in two clusters compared to the rest of the state. Conclusions: There are important differences between geographic clusters of suicide in Virginia. These results suggest that place-specific risk factors for suicide may be relevant for targeted suicide prevention.
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 | 0,001 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».