Aperçu - Que peuvent nous révéler les données des ambulanciers paramédicaux sur la crise des opioïdes au Canada?
Bibliographic record
Abstract
La nature de la crise des opioïdes au Canada nécessite des sources de données supplémentaires aptes à dresser un portrait plus fidèle de l’épidémie, afin de fournir aux responsables en santé publique et aux décideurs une base de données probantes solide. Les données des ambulanciers paramédicaux sont un point d’accès aux collectivités où les surdoses surviennent. Les événements préhospitaliers et les circonstances entourant les surdoses d’opioïdes offrent des occasions uniques de recueillir des données probantes pouvant contribuer à la prévention, à la réduction des méfaits et aux efforts de promotion de la santé. À l’aide de données extraites du Service paramédic d’Ottawa (SPO), cette étude de validation de principe a démontré que les données d’intervention ambulancière paramédicale étaient utiles pour obtenir des renseignements épidémiologiques en temps quasi réel (personne, heure et lieu) sur l’épidémie d’opioïdes et pour évaluer les tendances ainsi que les possibilités d’élaborer des déclencheurs d’alerte. Entre janvier et juin 2017, le SPO a répondu à une moyenne de quatre appels liés aux opioïdes par semaine. À chaque fois, 0,5 mg de naloxone ont en moyenne été administrés. Pour la période à l’étude, les tendances linéaires montrent une faible augmentation des appels, non significative (p = 0,18). Le volume d’appels a augmenté entre le 16 et le 29 avril 2017. Selon les médias locaux, ce pic dans les interventions ambulancières paramédicales est attribuable à l’arrivée de fentanyl de qualité supérieure à Ottawa. Avec une validation plus poussée, ces données paramédicales pourraient potentiellement constituer une nouvelle source de données pour la surveillance des surdoses liées aux opioïdes.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.038 | 0.171 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.006 | 0.010 |
| Science and technology studies | 0.005 | 0.004 |
| Scholarly communication | 0.008 | 0.004 |
| Open science | 0.003 | 0.002 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.009 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".