Predicting fatal drug poisoning among people living with HIV-HCV co-infection
Notice bibliographique
Résumé
Background: Drug poisoning (overdose) is a public health crisis, particularly among people living with HIV and hepatitis C (HCV) co-infection. Identifying potential predictors of drug poisoning could help decrease drug-related deaths. Methods: Data from the Canadian Co-infection Cohort were used to predict death due to drug poisoning within 6 months of a cohort visit. Participants were eligible for analysis if they ever reported drug use. Supervised machine learning (stratified random forest with undersampling to account for imbalanced data) was used to develop a classification algorithm using 40 sociodemographic, behavioural, and clinical variables. Predictors were ranked in order of importance, and odds ratios and 95% confidence intervals (CIs) were generated using a generalized estimating equation regression. Results: Of 2,175 study participants, 1,998 met the eligibility criteria. There were 94 drug poisoning deaths, 53 within 6 months of a last visit. When applied to the entire sample, the model had an area under the curve (AUC) of 0.9965 (95% CI, 0.9941-0.9988). However, the false-positive rate was high, resulting in a poor positive predictive value (1.5%). Our model did not generalize well out of sample (AUC 0.6, 95% CI 0.54-0.68). The top important variables were addiction therapy (6 months), history of sexually transmitted infection, smoking (6 months), ever being on prescription opioids, and non-injection opioid use (6 months). However, no predictor was strong. Conclusions: Despite rich data, our model was not able to accurately predict drug poisoning deaths. Larger datasets and information about changing drug markets could help improve future prediction efforts.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».