Unemployment and opioid overdose death patterns in the United States from 2017 to 2019
Notice bibliographique
Résumé
Introduction: Unemployment has been linked to increased opioid-related harms such as opioid overdose deaths. Identifying hotspots and coldspots across the United States (US) can be crucial to understanding health resources and leveraging strategies, policies and programs to reduce the burden of opioid-related harms. Objective: To determine an association between unemployment and opioid overdose death. Methods: Using data from the US Bureau of Labour Statistics and the Center for Disease Control from 2017 to 2019, we describe how unemployment correlates with opioid overdose deaths in the US. Spatial clustering analyses were carried out to generate Moran’s global I values and create hotspot maps leveraging Moran’s local I to identify clusters and trends over time. Results: There was an autocorrelation of opioid overdose death rates with surrounding states, particularly in the Midwest, Northeast and Southeast in 2017 and 2019. In contrast, only certain states in the Northeast showed greater clustering in 2018. A Poisson regression model showed a positive association between unemployment and opioid overdose deaths for the years 2017 and 2019. Overall, 2018 did not follow similar patterns seen in 2017 and 2019 in terms of the correlation between unemployment and opioid overdose rates. Conclusions: Opioid-related deaths appear to be associated with unemployment rates in the US during 2017 and 2019, but less so in 2018
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 | 0,002 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».