Dynamics of Drug Overdose Deaths in the United States During COVID-19
Notice bibliographique
Résumé
STRUCTURED ABSTRACT Importance Drug overdose (OD) deaths in the United States have risen exponentially for four decades and surged further during the COVID 19 pandemic; the drivers of this surge remain unclear. Objective To quantify excess OD mortality during COVID 19, separate its temporal components, and identify social, economic, and drug supply factors—especially Economic Impact Payments (EIPs)—linked to those components. Design, Setting, and Participants Temporal and spatial analysis of all 50 U.S. states using OD deaths (1979–2023) merged with state level data on COVID-19, unemployment, income, mobility, fentanyl seizures, opioid treatment supply, and EIP timing/amounts. Methods A log linear model projected the 40-year exponential trend and seasonality to establish a no-COVID baseline. Pandemic era deviations were modeled with Poisson state fixed effects regressions. Five week moving window t-tests flagged synchronous mortality spikes across states, and a two-way fixed effects event study estimated the elasticity of OD deaths to EIP related income shocks. JP Morgan Chase checking balance data validated the income–mortality link. Results From MarchL2020 to May □ 2023, OD deaths exceeded baseline by 67 □ 571 (24.4%). Sustained elevation was positively associated with income (β □ ≈ □ 0.96), fentanyl seizures, unemployment, and COVID-19 case rates, and inversely with methadone distribution. Three short lived spikes aligned with EIP disbursements, raising daily deaths by up to 85 above trend. A 10% rise in relative income increased OD mortality 11%; national checking balance surges and OD deaths were tightly correlated (r □ ≈ □ 0.90). Conclusions and Relevance Pandemic era overdose deaths comprise continuing exponential growth, a COVID-19 related sustained rise tied to social disruption, and EIP linked spikes. Future relief payments should consider staggered disbursement and concurrent harm reduction measures to mitigate overdose risk.
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 | 0,002 |
| 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 | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».