Leveraging Health Informatics for Substance Abuse Surveillance: A Comparative Analysis of International Registry Technologies
Notice bibliographique
Résumé
Substance abuse poisoning remains a critical global public health challenge, necessitating robust surveillance systems to inform prevention and treatment strategies. This systematic review evaluates the design, implementation, and outcomes of substance abuse poisoning registries worldwide, with a focus on their health informatics infrastructure and technological innovations. We analyzed 8 studies and institutional reports, identifying 8 major registry systems across 6 countries (Canada, USA, Mexico, Norway, Germany, Malaysia). Key findings reveal substantial variability in registry architectures, from Canada's comprehensive Drug and Alcohol Treatment Information System (DATIS) to Malaysia's GIS-based hot-spot mapping. Technological approaches ranged from web-based platforms (Norway's Java/MySQL system) to real-time SMS alerts (Germany's poison center network). Registries demonstrated measurable impacts, including improved treatment tracking (DATIS), enhanced spatial analysis of abuse patterns (Malaysia), and faster emergency response (Germany). However, critical gaps persist, particularly in data interoperability and integration with mental health records. The review highlights how informatics solutions – including standardized data models, geospatial technologies, and mobile health applications – can address surveillance challenges in low-resource settings. For countries lacking robust systems (e.g., Iran), we propose a hybrid framework combining Canada's clinical data standards, Malaysia's GIS capabilities, and Germany's notification protocols. These findings underscore the transformative potential of health informatics in substance abuse surveillance while identifying key priorities for future research, including AI-powered predictive modeling and blockchain-based data sharing.
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 | 0,042 | 0,156 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,006 |
| Bibliométrie | 0,015 | 0,020 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».