Data-Based Method to Reduce Unnecessary Autopsies in Suspected Overdose Deaths
Notice bibliographique
Résumé
The New York City (NYC) Office of Chief Medical Examiner (OCME) continues to be severely impacted by the ongoing opioid overdose crisis with over 3000 overdose deaths in 2022 alone. The National Association of Medical Examiners (NAME) recommends that autopsies be performed in all suspected overdose deaths, but this practice is difficult to maintain in the face of an unprecedented number of overdose deaths and a national shortage of forensic pathologists. Using an existing database of suspected overdose deaths (SPOT) maintained by the OCME Drug Intelligence and Intervention Group (DIIG), we sought to assess the ability to correctly certify subsets of suspected overdose deaths based only on known history and circumstances, external examination, and toxicology testing (View-Tox) using 6 exclusionary criteria for View-Tox eligibility (suspicion of criminality, suicide, trauma, hypothermia/drowning, epilepsy/seizures, and death in a public location). This process resulted in the exclusion of all homicides, suicides, non-overdose accidents, and most undetermined manner deaths. Of the remaining cases eligible for View-Tox, 99.2% could be correctly certified based only on toxicology testing results and information known before autopsy. This approach to overdose deaths would have resulted in a 32.8% reduction of autopsies in suspected overdose deaths at OCME in 2022.
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 | 0,028 | 0,134 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,010 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,003 |
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 ».