Mortalité par suicide et par intoxication aux drogues ou aux médicaments dans la première année de la pandémie de COVID-19 : utilisation des données des médecins légistes à des fins de santé publique en Nouvelle-Écosse
Bibliographic record
Abstract
Introduction La pandémie de COVID-19 et les mesures prises par les instances gouvernementales ont soulevé des inquiétudes quant à la possibilité d’une hausse de la mortalité par suicide et par intoxication aux drogues ou aux médicaments, en raison de l’exacerbation des maladies mentales, des problèmes économiques, des changements dans l’approvisionnement en drogues et en médicaments, de la capacité à accéder aux services de réduction des méfaits et de divers autres facteurs. Méthodes Nous avons obtenu nos données du Service de médecin légiste de la Nouvelle Écosse. Nous avons élaboré des définitions de cas et nous en avons évalué les caractéristiques de performance. Nous avons modélisé les tendances des décès mensuels par suicide et par intoxication aux drogues ou aux médicaments avant la pandémie et nous avons comparé le nombre de décès observé durant l’année de la pandémie aux prévisions. Résultats Il y a eu une diminution importante des décès par suicide au cours de la première année de la pandémie de COVID-19 en Nouvelle-Écosse, avec environ 21 décès par suicide non liés à une intoxication aux drogues ou aux médicaments de moins que prévu entre mars 2020 et février 2021 (rapport de risque = 0,82). Aucun changement n’a été observé en matière de mortalité par intoxication aux drogues ou aux médicaments. Les définitions de cas ont été appliquées avec succès aux déclarations rédigées librement sur les causes de décès et aux cas où la cause et la nature du décès faisaient toujours l’objet d’une enquête. Conclusion Il est possible de mettre en œuvre des processus de classification des cas et de suivi en collaboration avec les médecins légistes et les coroners pour que les autorités de santé publique puissent surveiller en continu et le plus rapidement possible la mortalité par suicide et par intoxication aux drogues ou aux médicaments. Les médecins légistes et les coroners étant les gardiens d’une foule de données utilisables pour prévenir d’autres décès, il est temps de mobiliser ces systèmes dans les suivis par la santé publique.
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 | 0.016 | 0.060 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.005 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.001 |
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".