Invited commentary: motivating better methods—and better data collection—for measuring the prevalence of drug misuse
Notice bibliographique
Résumé
The United States continues to suffer a drug overdose crisis that has resulted in over 100 000 deaths annually since 2021. Despite decades of attention, estimates of the prevalence of drug use at the spatiotemporal resolutions necessary for resource allocation and intervention evaluation are lacking. Current approaches for measuring the prevalence of drug use, such as population surveys, capture-recapture, and multiplier methods, have significant limitations. In a recent article, Santaella-Tenorio et al (Am J Epidemiol. 2024;193(7):959-967) used a novel joint bayesian spatiotemporal modeling approach to estimate the county-level prevalence of opioid misuse in New York State from 2007 to 2018 and identify significant intrastate variation. By leveraging 5 data sources and simultaneously modeling different opioid-related outcomes-such as numbers of deaths, emergency department visits, and treatment visits-they obtained policy-relevant insights into the prevalence of opioid misuse and opioid-related outcomes at high spatiotemporal resolutions. The study provides future researchers with a sophisticated modeling approach that will allow them to incorporate multiple data sources in a rigorous statistical framework. The limitations of the study reflect the constraints of the broader field and underscore the importance of enhancing current surveillance with better, newer, and more timely data that are both standardized and easily accessible to inform public health policies and interventions. This article is part of a Special Collection on Mental Health.
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 | 0,038 | 0,229 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,005 | 0,008 |
| Communication savante | 0,005 | 0,010 |
| Science ouverte | 0,009 | 0,004 |
| Intégrité de la recherche | 0,054 | 0,063 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,008 |
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 ».