Use of Patterns of Service Utilization and Hierarchical Survival Analysis in Planning and Providing Care for Overdose Patients and Predicting the Time-to-Second Overdose
Notice bibliographique
Résumé
Individuals from a variety of backgrounds are affected by the opioid crisis. To provide optimal care for individuals at risk of opioid overdose and prevent subsequent overdoses, a more targeted response that goes beyond the traditional taxonomical diagnosis approach to care management needs to be adopted. In previous works, Graph Machine Learning and Natural Language Processing methods were used to model the products for planning and evaluating the treatment of patients with complex issues. This study proposes a methodology of partitioning patients in the opioid overdose cohort into various communities based on their patterns of service utilization (PSUs) across the continuum of care using graph community detection and applying survival analysis to predict time-to-second overdose for each of the communities. The results demonstrated that the overdose cohort is not homogeneous with respect to the determinants of risk. Moreover, the risk for subsequent overdose was quantified: there is a 51% higher chance of experiencing a second overdose for a high-risk community compared to a low-risk community. The proposed method can inform a more efficient treatment heterogeneity approach for a cohort made of diverse individuals, such as the opioid overdose cohort. It can also guide targeted support for patients at risk of subsequent 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».