Examining trends in polydrug overdose deaths across rural Midwest counties in the United States, 2022 through 2024
Notice bibliographique
Résumé
PURPOSE: To examine trends in overdose deaths and the presence of xylazine in postmortem toxicology in a highly rural region of northern Minnesota with a significant American Indian/Alaska Native (AI/AN) population, using real-time local surveillance data. METHODS: We analyzed drug overdose death data from the Midwest Medical Examiner's Office, covering 36 counties from January 1, 2022 to December 31, 2024. Data included demographic characteristics, place of death, and substances detected in toxicology results. Age-adjusted mortality rates and disparities across racial/ethnic groups were calculated, and polydrug combinations were explored using network analysis. FINDINGS: Among 967 overdose deaths, most decedents were white (71.7 %), AI/AN (13.4 %), or Black/African American (10.3 %) with an overall mortality rate of 76.1. Mortality rates declined during the study period for white and AI/AN populations and increased slightly for Black/African American populations. However, rates remained disproportionately high for AI/AN populations, who were 6.19 times more likely to die of overdose than non-AI/AN in 2024. Xylazine was detected only in combination with fentanyl, with no racial/ethnic differences in its presence. Distinct polydrug patterns were observed by race: fentanyl-cocaine combinations were more prevalent among Black/African Americans, while fentanyl-methamphetamine combinations predominated among AI/AN and White decedents. CONCLUSIONS: Local surveillance in rural areas can detect emerging threats like xylazine and illuminate racial disparities obscured in national datasets. Findings highlight the urgent need for real-time, locally driven data to inform targeted prevention and harm reduction, particularly for AI/AN populations in rural communities.
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 | 0,000 | 0,001 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».