Décès accidentels liés à une intoxication aiguë due à une substance chez les aînés en 2016 et en 2017 : une étude nationale d’examen des dossiers
Bibliographic record
Abstract
Introduction Il existe peu de recherches sur les décès liés à une intoxication aiguë due à une substance chez les aînés (60 ans et plus) au Canada. Cette étude vise à explorer et à décrire les caractéristiques sociodémographiques, les antécédents en matière de santé et les circonstances des décès en ce qui concerne les décès accidentels liés à une intoxication aiguë chez les aînés. Méthodologie À la suite d’une analyse descriptive rétrospective de tous les dossiers des coroners et des médecins légistes sur les décès accidentels liés à une intoxication aiguë due à une substance chez les aînés au Canada de 2016 à 2017, les pourcentages de décès et les taux de mortalité issus des données des coroners et des médecins légistes ont été comparés aux données sur les aînés de la population générale tirées du recensement de 2016. Dans la mesure du possible, nous avons réalisé des tests du chi carré pour les variables nominales. Résultats En 2016 et 2017, 705 décès accidentels liés à une intoxication aiguë chez les aînés ont été documentés. Dans 61 % des cas, ce sont plusieurs substances qui ont contribué au décès. Le fentanyl, la cocaïne et l’éthanol (alcool) sont les substances les plus souvent en cause. Les maladies du coeur (33 %), la douleur chronique (27 %) et la dépression (26 %) ont souvent été documentées. Environ 84 % des aînés avaient pris contact avec des services de soins de santé au cours de l’année précédant leur décès. Le décès a eu lieu en présence d’un témoin dans 14 % des cas seulement. Conclusion Nos constatations permettent de mettre en lumière les facteurs sociodémographiques, contextuels et les antécédents médicaux pouvant avoir une incidence sur les décès liés à une intoxication aiguë due à une substance chez les aînés et d’ainsi proposer des aires clés de prévention.
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 | 0.005 | 0.017 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.009 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.000 | 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".