Intentional Drug Overdose Deaths and Mood Disorders in Brazil - A 20-year overview
Notice bibliographique
Résumé
BACKGROUND: Drug overdose deaths remain a significant and understudied public health concern in Brazil. This study aimed to examine drug overdose death records from 2000 to 2020, focusing on the relationship between mood disorders and intentionality, along overall sociodemographic characteristics. METHODS: Data from the Brazilian Mortality Information System from 2000-2020 were analyzed. Records with causes of death coded as X40-X45 (accidental poisoning), X60-X65 (intentional poisoning), or Y10-Y15 (undetermined intentionality poisoning) were included. The dataset comprised 21,410 deaths, including 933 subjects with mood disorders (ICD-10 codes F30-F39). A descriptive analysis of sociodemographic variables, stratified by mood disorders, was conducted. Logistic regression models identified independent associations with intentional overdose deaths. RESULTS: People who died of a drug overdose were mostly men (61.55%), non-white (52.45%), and single (59.33%). Most drug overdose deaths were intentional (44.70%). Compared to overall overdoses, the subset with mood disorders included a higher share of women (67.95%), whites (63.88%), and intentional overdoses (75.24%). Female gender (OR 1.30), mood disorder (OR 2.0), non-white race (OR 0.56), high school graduates (OR 0.93), some college education (OR 1.28), and divorced or widowed (OR 0.73) were independently associated with intentional overdose deaths. CONCLUSION: The sociodemographic characteristics of people who died of overdoses must guide national public policies. Strategies might involve conducting screenings for mental health disorders and drug-related problems in primary care.
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 | 0,001 | 0,001 |
| 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) | 0,003 | 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 ».