Detecting univariate, bivariate, and overall effects of drug mixtures using Bayesian kernel machine regression
Notice bibliographique
Résumé
Background: Innovative analytic approaches to drug studies are needed to understand better the co-use of opioids with non-opioids among people using illicit drugs. One approach is the Bayesian kernel machine regression (BKMR), widely applied in environmental epidemiology to study exposure mixtures but has received far less attention in substance use research.Objective: To describe the utility of the BKMR approach to study the effects of drug substance mixtures on health outcomes.Methods: We simulated data for 200 individuals. Using the Vale and Maurelli method, we simulated multivariate non-normal drug exposure data: xylazine (mean = 300 ng/mL, SD = 100 ng/mL), fentanyl (mean = 200 ng/mL, SD = 71 ng/mL), benzodiazepine (mean = 300 ng/mL, SD = 55 ng/mL), and nitazene (mean = 200 ng/mL, SD = 141 ng/mL) concentrations. We performed 10,000 MCMC sampling iterations with three Markov chains. Model diagnostics included trace plots, r-hat values, and effective sample sizes. We also provided visual relationships of the univariate and bivariate exposure-response and the overall mixture effect.Results: Higher levels of fentanyl and nitazene concentrations were associated with higher levels of the simulated health outcome, controlling for age. Trace plots, r-hat values, and effective sample size statistics demonstrated BKMR stability across multiple Markov chains.Conclusions: Our understanding of drug mixtures tends to be limited to studies of single-drug models. BKMR offers an innovative way to discern which substances pose a greater health risk than other substances and can be applied to assess univariate, bivariate, and cumulative drug effects on health outcomes.
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 | 0,015 | 0,050 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 ».