A population-based repeated cross-sectional study using administrative health data to examine the impact of the COVID-19 pandemic on mental wellness in citizens of the Métis Nation of Ontario
Notice bibliographique
Résumé
ObjectiveLinking data on people who experience drug overdoses can provide new insights and opportunities for intervention. However, because public health data infrastructure in the United States (US) is often siloed, linkage activities can require incentivization and support. In 2023, we began funding 20 states to conduct overdose-related data linkage. We sought to understand baseline capacity in funded states. ApproachData linkages in this project focus on two areas: 1) linking fatal and nonfatal overdose data and 2) linking fatal or nonfatal overdose data to prescription drug monitoring program (PDMP), criminal justice, or social determinants of health (SDOH) data. We report opportunities identified during implementation regarding states’ capacity to perform the required linkages as well as needs for additional training and technical assistance. ResultsOf 20 funded states, 11 (55%) reported some previous experience linking fatal and nonfatal overdose data; 10 (50%) have linked PDMP data, while only 3 (15%) have linked SDOH data and 2 (10%) criminal justice data. Jurisdictional needs included: training on data linkage methods, including developing and validating linkage algorithms; overcoming administrative barriers to data sharing, such as data use agreements; and developing standardized approaches to characterizing events of interest in diverse data sources. States valued sharing strategies and experiences with each other. Conclusions/ImplicationsAdditional capacity building is needed for states to successfully link and utilize overdose-related data. We are actively collaborating with state partners to facilitate peer-to-peer knowledge exchange to develop successful linkage programs.
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 | 0,007 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 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 ».