介绍
了解药物使用治疗的求助行为对于资源的有效配置至关重要。这对研究人员和政策制定者提出了挑战，因为没有公认的金标准方法来估计特定地理区域内物质使用障碍(SUD)患者的数量[
1 ］．一个标准的方法包括通过调查或深入访谈，向一般人群的样本询问他们的药物使用问题[
2 ］．不幸的是，这些来源受到众所周知的限制，例如低参与率、数据收集和发表结果之间的滞后时间以及数据可用性[
3. ］．此外，考虑到成本和参与者负担的问题，扩大调查规模并不总是可行的[
4 ］．
间接估计方法已被使用，包括捕获-再捕获[
5 ]，乘数[
6 ]，以及数据三角测量方法[
7 ]，但这些方法也受到限制，要么是不切实际的数据要求，要么是潜在的偏差[
7 ，
8 ］．最后，已努力收集有关药物相关危害的数据，如过量用药统计数据，尽管这些数据的传播存在时滞，这意味着这些举措难以跟上美国迅速演变的阿片类药物流行的步伐[
9 ］．鉴于这种方法背景，制定实时监测机制以指导政策反应的空间有限。
在使用与药物使用有关的互联网搜索查询方面，出现了一个有希望的发展[
10 ］．这种药物使用监测方法的主要好处之一是数据可以公开获取，并且可以很容易地实时获得[
11 ］．越来越多的研究正在探索使用互联网搜索数据来监测药物使用趋势。2018年的一项研究发现，在具有全国代表性的美国样本中收集的新型精神活性药物的谷歌搜索数据与年度药物使用患病率之间存在强而显著的相关性[
10 ］．两项研究探讨了美国与毒品相关的互联网搜索查询和与阿片类药物相关的急诊科(ED)就诊之间的关系，都证明了互联网搜索数据的预测潜力[
12 ，
13 ］．进一步的三项研究发现，在国家、州和县各级，与毒品相关的互联网搜索查询与阿片类药物过量死亡之间存在强烈的关联[
14 -
16 ］．在其他地方，研究已经证明了来自社交媒体平台(包括Twitter和Reddit)的阿片类药物相关数据的潜在用途，为监控工作提供信息[
17 -
19 ］．
虽然以前的文献集中在使用互联网数据作为阿片类药物相关健康危害的实时数据的代理，但这项研究为使用互联网搜索数据探索SUD帮助寻找广泛的物质，包括可卡因、甲基苯丙胺、阿片类药物、大麻和酒精，并根据观察到的SUD指标验证这些数据提供了新的见解。之所以选择这些物质，是因为它们是美国人接受治疗时最常见的5种物质[
20. ］．通过将SUD帮助寻求监测作为一种方法工具进行验证，我们希望主要利益相关者，包括地方卫生部门、减少危害组织和研究人员，能够更好地主动响应需求[
21 ］．我们首先描述了2010年至2020年美国国家和州一级对可卡因、甲基苯丙胺、阿片类药物、大麻和酒精的求助搜索，并描述了各州之间这些结果的异质性。
我们试图确定使用搜索查询数据作为未满足的治疗需求、治疗需求的低成本和实时指标的可行性，以及与未满足的治疗需求相关的健康危害的预测指标。本研究的探索性性质保证了连续的假设，以解释可能发生的不同结果，这些结果取决于治疗的相对需求与能力。如果有足够的治疗能力，人们会期望看到寻求帮助的搜索和治疗入院之间有很强的积极联系。然而，鉴于美国SUD的治疗能力有限，考虑其他假设是很重要的;如果存在过度治疗需求，我们预计求助搜索和治疗入院之间的关联较弱，但与未满足的治疗需求和与毒品相关的健康危害之间的关联较强。此外，认识到寻求SUD的治疗是一个复杂的过程也很关键，它涉及到在行为改变的不同阶段中移动，通常是非线性的[
22 ］．因此，考虑几种结果也可以让我们反映SUD患者或他们周围的人以及试图帮助他们的人可能正在经历的不同情况。
我们测试了3个假设，其中第一个假设假设寻求治疗的搜索与未满足的治疗需求正相关，因为寻求帮助表明这个人正在与他们的药物使用作斗争，并考虑将治疗作为一种选择，但尚未得到帮助(即沉思)。接下来，我们测试了寻求治疗搜索与治疗入院呈正相关的假设，因为寻求帮助是一个人积极寻求参与(即准备/行动)的指标[
22 ，
23 ］．最后，我们验证了寻求治疗的搜索与非致命性和致命性过量服用正相关的假设，因为表达治疗需求通常发生在SUD的后期，此时症状更严重，导致过量服用和死亡的风险增加(即沉思、准备或复发)[
24 ］．我们在不同的州级数据源中确定了相关变量，以验证每个结果的模型，并确定是否可以使用互联网搜索寻求药物使用帮助来加强SUD的治疗需要监测和治疗联动工作。
方法
提取谷歌搜索查询数据
我们在2020年11月获得了来自美国的谷歌查询，其中包括术语“戒烟”、“停止”、“康复”、“康复”、“治疗”、“帮助”或“排毒”，并结合(A)酒精(“酒精”、“酒精”或“酒精中毒”)、(B)大麻(“大麻”或“大麻”)、(C)可卡因(“可卡因”)、(D)甲基苯丙胺(“甲基苯丙胺”或“冰毒”)，或(E)阿片类药物(“阿片类药物”、“海洛因”、“芬太尼”、“奥施康定”、“羟考酮”、“可待因”、“氢可酮”，“吗啡”)从2010年1月1日到2020年11月1日。例如，“我在哪里可以得到酒精中毒的帮助”将包含在酒精帮助寻求搜索类别中。这些搜索没有使用引号，数据是通过选择“搜索术语”选项而不是“主题”选项获得的。我们感兴趣的药物的搜索词对应于每种药物的标准词典术语(例如，甲基苯丙胺)，以及其他常用的术语(例如，冰毒)，如果相关的话，基于作者在SUD方面的专业知识和其他人在该领域的贡献[
12 ，
13 ，
16 ］．对于阿片类药物，我们还包括最常用的街头毒品(如海洛因、芬太尼)的名称，以及非常常用的处方药(如羟考酮和奥施康定)的品牌名称。对于酒精，我们还包括了“酒鬼”和“酒精中毒”，因为这些是用来描述酒精使用障碍的主流英语词汇的一部分。尽管有广泛的俚语用来描述毒品[
25 ]，这些都没有被包括在内，因为俚语是不断发展的，它的语言生存时间往往很短，而且它通常是特定语境的，在特定的社会环境中使用有限[
26 ］．考虑到我们的重点是寻求治疗(即正式背景)，我们广泛的地理范围(即美国所有州)，以及我们延长的时间范围(10年)，我们选择将搜索限制在最标准的术语上，以保证时间和空间的一致性。搜索查询数据是使用谷歌应用程序编程接口(API)客户端Python库从谷歌Trends获取的2010年至2020年每个日历年的搜索查询数据[
27 ］．谷歌查询的趋势以查询分数(QFs)来衡量，QFs估计了在时间框架和地理范围内提到特定物质关键字的搜索数量，结合寻求帮助的关键字，除以同一时间框架和地理范围内的总搜索数量，并表示为每100万次搜索的比率。这种方法通过调整谷歌使用随时间的变化以及状态和物质类型之间的差异来促进可比性。
谷歌搜索查询数据统计分析
对QF数据拟合负二项回归模型，以推断求助查询中时间变化的显著性。负二项回归通常用于分析显示过度分散(即方差大于平均值)的计数和率数据[
28 ］．本研究的QF数据被发现是过度分散的，如
表1 ；因此，选择负二项式模型对这些数据进行分析。模型规格包括一个主要的固定效应年(即2010年至2020年)。截距项包括随机效应，以解释研究开始时各州之间的差异，以及不同年份在同一州收集的数据点之间的相关性。此外，自相关误差项被指定来解释连续时间点之间数据的相关性。进行Wald检验，以确认变量“年”对每个模型是否具有统计显著性[
29 ］．我们计算了基尼系数[
30. 来量化不同州和不同年份对每种物质的求助查询的分布情况。
表1
2010年至2020年按物质类型分类的年度搜索查询分数(QFs)的描述性统计一个 ．
统计
酒精
大麻
可卡因
冰毒b
阿片类药物
复合c
的意思是
27.3
8.4
2.5
4.2
8．0
12.7
中位数
25.6
7.4
2．2
3．7
7.2
12.8
最低
10.3
2.7
1．0
0.8
2.4
9.1
最大
70.7
48.0
9.8
35.0
37.7
16.6
SD
7.2
3．7
1．0
3．3
3．5
1．8
位差
7.3
3.2
0.7
2.9
2.7
2.8
一个 查询分数(QFs)指的是每100万个总谷歌搜索中的查询。
b 甲:冰毒。
c 变量估计结合阿片类药物，甲基苯丙胺和可卡因使用治疗寻求的QF统计数据。
谷歌搜索查询作为未满足药物使用治疗需求的指标的验证(假设1)
首先，使用2016年至2019年全国药物使用和健康调查(NSDUH)的数据，对过去一年需要但没有在SUD专业设施接受治疗的人数进行了分析。NSDUH是一项针对12岁或12岁以上的平民、非机构人口的年度代表性调查，可从药物滥用和精神卫生服务管理局(SAMHSA)的网站上公开获取[
31 ］．为了对本次调查中收集的变量进行州级估计(四舍五入至最接近的千位数)，三角研究所使用调查加权分层贝叶斯方法对每年的样本数据进行了分析[
32 ］．NSDUH单独询问过去一年中需要但没有在专门机构接受酒精和非法药物使用治疗的情况。因此，使用负二项模型对酒精使用的NSDUH估计值在酒精QF和年份变量上进行回归，并对非法药物使用进行了第二次分析，同样使用负二项回归模型。第二个模型中包括的主要固定影响是综合QF统计量，通过结合阿片类药物、甲基苯丙胺和可卡因使用未满足治疗需求的QF统计量和数据点对应的年份来估计。对于涉及NSDUH数据的两组分析，截距项指定了随机效应，美国人口普查局的州人口估计的自然对数作为抵消项[
33 ]，反映事件可能发生的次数。此外，还评估了主要固定效应之间的相互作用，以推断酒精QF与治疗需求之间的关系以及复合非法药物QF与治疗需求之间的关系是否以及如何在多年间变化。
谷歌搜索查询作为寻求药物使用障碍治疗指标的验证(假设2)
我们调查了寻求治疗的搜索和接受SUD治疗之间是否存在正相关。对于后者，数据来自治疗事件数据集:入院(ted - a)数据集(2012年至2018年)，关于按寻求治疗的主要物质分类的药物使用设施入院人数[
34 ］．从这些数据中观察到的数据仅用于涉及个人转诊治疗的入院(即不包括强制治疗访问)。负二项回归模型适用于入学数据，并对不同类型的物质使用(酒精、大麻、阿片类药物、可卡因和甲基苯丙胺)进行单独分析。在每个模型中，年份和相应的求助QF变量(即特定物质)被作为主要固定效应，各州的截数作为随机效应，美国人口普查局对各州人口估计数的自然对数作为抵消项[
33 ］．此外，还评估了主要固定效应变量(即求助QF和年份)之间的相互作用，以推断寻求治疗搜索和入院之间的关联是否以及如何随年份变化。
谷歌搜索查询作为未满足治疗需求相关健康损害预测因子的验证(假设3)
我们调查了寻求帮助的搜索是否与非致命性和致命性阿片类药物过量正相关。因此，从医疗保健质量与研究机构(AHRQ)获得了每10万人中与阿片类药物使用相关的ED发生率(主要对应于非致命过量)的数据[
35 ]，有关阿片类药物过量死亡人数的数据来自CDC WONDER数据库(使用之前研究中制定的标准[
36 ])。对于这些分析，我们使用负二项规范，将各州特定的阿片类药物住院率和死亡率统计数据分别回归到阿片类药物QF变量和数据点对应的年份。再一次，随机截取被包括在内，以解释各州重复观察之间的相关性。致命阿片类药物过量数据的分析包括一个与州级人口日志相对应的偏移项。AHRQ数据没有采用这种方法，因为这些数据是以率的形式获得的，而不是计数数据。主要固定效应(即阿片类QF和年份)之间的相互作用条件也进行了评估。
所有分析均采用R软件(4.1.0版本)，负二项式模型采用glmmTMB包拟合[
28 ］．
道德的考虑
由于该研究依赖于公开的、聚合的和未识别的数据，因此不需要进行伦理审查。鉴于本研究依赖于使用二次识别数据(数据汇总到州一级)，加州大学圣地亚哥分校的机构审查委员会认为不需要进行伦理审查(项目#200332XX)。
结果
SUD求助谷歌搜索查询数据的描述性分析
图1 显示，除酒精外，所有物质的QF值在2010年平均最高，酒精是搜索量第二高的年份，而最高水平出现在2020年。2012年阿片类药物求助搜索量最低，2013年酒精和大麻求助搜索量最低，2014年可卡因和甲基苯丙胺求助搜索量最低。
图1 还显示了不同类型SUD的搜索查询数据的不同完整性级别。在搜索量非常低的情况下，可能会出现数据点缺失的情况[
37 ］．
图1
物质使用的平均求助趋势。灰线代表各州特有的趋势，而黑点代表各州*所有时间点数据的平均估计值。*按物质分类的有未遗漏查询数据的州(加上哥伦比亚特区):酒精=51，阿片类药物=41，大麻=44，甲基苯丙胺=32，可卡因=25。按物质分列的数据点数:酒精=561，类阿片=461，大麻=484，甲基苯丙胺=382，可卡因=285。
![]()
SUD求助谷歌搜索查询数据的时间和地理趋势统计分析
QF数据的负二项回归分析(结果见表S1)
多媒体附件1 )显示，根据Wald测试结果，变量“年份”对所有物质类型都具有统计学意义(
P <措施)。这表明，在不同的年份之间，寻求帮助的搜索存在重要的差异。通过对负二项回归分析的输出应用Bonferroni修正，对连续几年寻求帮助搜索次数的显著差异进行两两比较检验(结果见表S2)
多媒体附件1 )．从2010年到2011年，所有物质均显著减少(酒精:10%，大麻:21%，可卡因:25%，甲基苯丙胺:43%，阿片类物质:26%)。除此之外，酒精(2015年至2016年增长13%，2019年至2020年增长21%)和甲基苯丙胺(2019年至2020年增长23%)连续几年存在显著差异。
表1 提供每个资历架构变量的描述性统计数据，以方便解释所有随后的回归分析，其中这些变量被用作自变量。通过基尼系数来衡量，各州之间寻求帮助的不平等程度在甲基苯丙胺方面最高(
图2 )．在所有年份中，酒精的不平等程度最低，除了2016年至2018年期间，可卡因的不平等程度最低。在所有物质中观察到的一个一致趋势是，不平等在2010年达到最高，然后随着时间的推移而减少，然后在2020年再次急剧增加。这些结果还可以通过查看盒状和晶须图来进一步理解，这些图显示了按物质类型和年份在各州之间的数据点分布(参见
图3 的阿片类药物使用和图S1
多媒体附件1 对于其他物质)。
图2
基尼系数估计值来自不同物质和年份的查询分数变量。
![]()
图3
阿片类药物使用求助搜索的盒须图。
![]()
验证谷歌SUD求助搜索查询作为SUD未满足治疗需求的指标(假设1)
对NSDUH数据的分析显示:
P =.004) QF与在专业机构需要但未接受酒精使用治疗的人数之间的关联(比率变化见
表2 ，回归输出可在表S3和表S4中找到
多媒体附件1 )．在非法使用药物的情况下，估计数字与0无显著差异(
P =点)。酒精使用和非法药物使用的系数估估值证实了我们的预期，即QF变量与需要但不接受药物使用治疗的人数之间存在正相关。在对不同年份的变化进行调整后，对酒精使用和非法药物使用的分析均显示，复合QF变量中每增加1个单位(即每百万次搜索中增加1个搜索)，分别对应于需要但不接受酒精使用和非法药物使用治疗的预期人数增加1%。两项分析均未显示QF变量与变量“年份”之间的统计显著交互作用。
由于QF的显著发现，对分析需要但不接受酒精使用治疗的人数的模型进行了预测。没有对非法药物使用模型的预测性能进行评估，因为它与QF变量的关联在统计上不显著。需要但不接受酒精使用治疗的人的预测率和观察率之间的比较见图S2
多媒体附件1 ．预测性能也通过计算均方根误差(RMSE)来量化，比较观察到的和预测的比率。平均RMSE为697，与需要但未接受酒精使用治疗的每10万人中5284人的平均比率相比，这是较低的。通过将平均RMSE除以平均率，然后乘以100，计算得出的13%的散射指数表明，基于先前使用的基准的合理预测性能[
38 ］．预测性能也随着时间的推移和跨州/地区进行了检查(表S5-S6)
多媒体附件1 )．与其他年份和其他州相比，2019年爱达荷州、弗吉尼亚州、密歇根州、纽约州和堪萨斯州的情况最好，2018年哥伦比亚特区、科罗拉多州、俄勒冈州、蒙大拿州、佛蒙特州的情况更糟。
表2
需要但不接受治疗的人数(NSDUH)比率变化的估计与查询分数(QFs)变量增加一个单位相关。
变量
估计
95%可信区间
P 价值
非法使用药物
1.01
0.99 - -1.03
点
使用酒精
1.01
1.00 - -1.01
04
谷歌SUD求助搜索查询作为SUD寻求治疗指标的验证(假设2)
对tds - a数据的分析表明，寻求帮助的搜索和接受SUD治疗之间的关联因物质类型而异(比率比率见
表3 的表S7至表S11所示
多媒体附件1 )．这些变量与甲基苯丙胺使用之间存在统计学上显著的正相关(
P <措施)。甲基苯丙胺QF与年份变量之间的相互作用不显著，因此被排除(
P =。88for Type III Wald test). The model outputs showed that a 1-unit increase in the methamphetamine QF variable approximately corresponded to a 26% increase in the expected rate of treatment episodes. Statistically significant and positive associations were also found for opioids (
P <措施)。阿片类QF与年份变量之间的相互作用不显著，因此排除(
P =。26for Type III Wald test). The outputs from the model showed that a 1-unit increase in the opioid QF variable approximately corresponded to a 12% increase in the expected rate of treatment episodes.
在大麻的情况下，这种关联也是正的，略高于5%的统计显著性标准(
P = . 07)。虽然数据不允许从大麻数据的分析中得出强有力的推论，但模型的输出表明，大麻QF变量增加1个单位大约对应于预期治疗发作率增加3%。对酒精和可卡因使用的分析结果显示，寻求治疗的搜索与接受治疗之间没有显著相关性(
P =。92for alcohol use and
P =。22for cocaine use). Neither model exhibited significant interactions between the QF and the year variable (
P =。23for alcohol use and
P =。88for cocaine use for Type III Wald test for the models of treatment).
表3
个体治疗转诊数量的比率变化与查询分数(QFs)变量增加1个单位相关。
变量
估计
95%可信区间
P 价值
酒精的《一个
1.00
0.99 - -1.01
.92
大麻的《
1.03
1.00 - -1.07
07
可卡因的《
0.90
0.76 - -1.07
口径。
冰毒的《
1.26
1.17 - -1.36
<措施
阿片类药物的《
1.12
1.07 - -1.17
<措施
一个 QF:查询分数。
对分析甲基苯丙胺和阿片类药物使用治疗入院情况的模型进行了预测。预测入院率和观察入院率之间的比较见图S3-S4 in
多媒体附件1 ．模型对阿片类药物和甲基苯丙胺使用的预测性能也通过计算RMSE进行量化。甲基苯丙胺的平均RMSE为11.7，考虑到平均入院率为每10万人15.2人，这表明预测性能较差。根据平均RMSE(77.9)和平均入院率(每10万人102.4)之间的比较，阿片类药物的预测性能也很弱。预测性能也随着时间的推移和各州进行了检查(表S12和表S13)
多媒体附件1 )．对于这两种物质，与其他年份相比，2011年的预测性能最好，在印第安纳州、德克萨斯州、纽约州和密歇根州使用甲基苯丙胺，在伊利诺伊州、俄亥俄州、密苏里州和犹他州使用阿片类药物。与其他年份相比，2018年这两种物质的情况都是最差的，在录取率较高的州，情况普遍更糟。
对SUD求助的谷歌搜索查询作为未满足治疗需求相关健康损害的预测因子的验证(假设3)
使用AHRQ数据调查阿片类药物使用的治疗寻求搜索与阿片类药物相关急诊就诊之间关系的分析显示，两者之间存在正相关性和统计学意义(
P <措施，see Tables S14-S15 in
多媒体附件1 )．然而，阿片类QF与变量年之间的相互作用具有统计学意义，表明这种关系不随时间推移而稳定(III型Wald检验
P = .005)。按年对阿片类QF的简单主要作用的评估显示随着时间的推移呈下降趋势(表S14)
多媒体附件1 )．2011年，阿片类QF变量增加1个单位与阿片类相关急诊就诊预期率增加6%相关，但到2018年，这些变量之间的相关性不显著。没有对该模型的预测性能进行评估，因为与QF变量的关联被发现随时间而变化。
使用CDC WONDER数据调查阿片类药物使用治疗寻求搜索与阿片类药物过量死亡计数之间关系的分析显示出正的和统计上显著的相关性(
P <措施，see
表4 中的表S16
多媒体附件1 )．阿片类QF与年份变量之间的相互作用不显著，因此排除了(III型Wald检验
P =厚)。该模型的输出显示，阿片类QF变量增加1个单位对应于预期过量死亡计数增加11% (
表4 )．模型的预测性能是通过估计RMSE来确定的。平均RMSE(4.3)和每10万人平均入院率(12.2)之间的相对差异表明，平均而言，与预测治疗入院率的模型相比，具有更好的预测性能。图S5
多媒体附件1 说明各州预测死亡率和观察死亡率之间的差异。与其他年份相比，2013年的预测性能最好(表S17)
多媒体附件1 )以及纽约州、佛罗里达州、弗吉尼亚州和威斯康辛州与其他州相比(表S18)
多媒体附件1 )．2017年以及西弗吉尼亚州、俄亥俄州、爱达荷州和马里兰州的情况最严重，这些地区的阿片类药物过量死亡率非常高(爱达荷州除外)。
表4
过量死亡人数的比率变化与阿片类药物查询分数(QFs)变量增加1个单位相关的估计。
变量
估计
95%可信区间
P 价值
阿片类药物的《一个
1.11
1.09 - -1.14
<措施
一个 QF:查询分数。
讨论
主要研究结果
据我们所知，这是第一项回顾性描述美国物质使用搜索的空间和时间变化的研究，并严格调查它们与SUD连续护理(和不护理)结果的关系。在未来，使用经过验证的指标监测谷歌搜索查询可能允许前瞻性地识别物质和状态的变化，表明人群中特定的SUD治疗信息和联系需求，为制定和开展SUD治疗活动的公共卫生组织提供有用的近实时见解。关键利益相关者(当地卫生部门、减少危害组织等)可以更好地分配资源，针对特定州的每种物质，针对SUD的治疗需求(例如，实时数字干预)。例如，在2010年至2020年期间，西弗吉尼亚州(甲基苯丙胺和阿片类药物)、新墨西哥州(甲基苯丙胺)、特拉华州(阿片类药物)和康涅狄格州(可卡因)反复被发现对SUD治疗信息有很高的需求，而这些信息可能尚未得到满足。
重要的是，我们发现阿片类药物和甲基苯丙胺使用求助搜索与药物使用治疗机构入院之间存在积极而显著的关联，这表明，至少对于这两种物质，互联网搜索数据是评估治疗寻求的宝贵资源。解释这些关联的大小应考虑到基线治疗入院率和特定州的总体人口规模。例如，在加利福尼亚州，关于甲基苯丙胺使用的求助搜索增加1个单位所产生的影响与弗吉尼亚州有很大不同。在所有年份中，加州每10万人的平均入院率为37.43人，弗吉尼亚州为1.12人。考虑到寻求帮助的搜索率每增加1个单位，治疗入院率就会增加26%，这对应于加利福尼亚州的平均每10万人增加9.73例入院率，弗吉尼亚州的平均每10万人增加0.29例入院率。从绝对数字来看，这相当于加州多录取了3800多名学生，而弗吉尼亚州只多录取了5名。
进一步的分析显示，阿片类药物使用求助搜索与未满足治疗需求相关的健康损害数据之间存在显著相关性。这些发现对监测和治疗都有影响，因为它们证明了搜索查询监测在填补现有空白方面的明显潜力，并表明互联网可能是一个将需要治疗的人与服务联系起来的战略平台。这一点尤其重要，因为在估计SUD的患病率和发病率方面存在充分的挑战。
5 ，
8 ］．因此，利用互联网搜索平台可以使卫生机构更好地响应信息和治疗转诊需求。这种潜力可以通过开发一个监控平台来实现，用于实时监控和与服务的链接，允许用户快速评估SUD帮助寻求和实施战略推广的波动模式。为了实现这一潜力，需要根据QFs来衡量搜索数据，以确保数据点随时间和跨状态具有可比性。该方法在本研究中通过使用谷歌API客户端库提取搜索数据来实现。需要强调的是，这不是直接通过谷歌Trends网站提取数据，而是根据所选的时间框架和地理区域对数据进行标准化[
37 ］．
限制
我们的研究并非没有局限性。有几个州缺少SUD求助行为的搜索查询数据，因为谷歌Trends只会报告超过最小阈值的搜索查询。随着时间的推移和不同的状态，我们的模型的预测性能存在差异。特别是，在治疗入院率或过量死亡率非常高的州，表现最低，当使用RMSE作为绩效指标时，这是预期的，因为它会惩罚大错误。使用搜索数据可能会受到选择偏差的影响，因为并非所有人都平等地访问互联网。虽然有些查询可能反映的是普通的好奇心，而不是寻求帮助，但众所周知，互联网搜索趋势反映了许多与健康相关的行为[
39 ]，以及在SUD的具体案例中，家庭成员、伴侣和朋友试图帮助他们所爱的人[
39 ］．另一个潜在的混淆因素是谷歌搜索算法是非静态的。随着时间的推移，搜索模式会发生变化，因为谷歌的程序员在努力测试和改进其搜索算法的过程中做出了数千个决定。
40 ］．这可能会导致个人在在线搜索后成功找到治疗的可能性发生时间上的变化。因此，这种现象可能会扭曲搜索趋势和治疗入院之间的联系。
虽然我们的方法可以克服物质使用监测中的许多现行限制(即缺乏及时的、特定物质的和公开可用的数据)，但聚合谷歌搜索数据的最佳粒度仅限于指定的营销区域[
41 ，所以它不一定与公共卫生部门的管辖级别相一致。本文采用的方法还假设在寻求治疗的上下文中使用SUD的标准术语进行搜索查询，而忽略了人们可能使用俚语的情况。也有可能特定术语的预测值在状态和时间之间有所不同。然而，考虑到寻求SUD的在线帮助的非惩罚性性质(与购买或销售药物相比)，我们预计这是有限的。重要的是要认识到使用ted - a寻求治疗访问人数的数据的潜在局限性。鉴于这些数据是从接受公共资助的设施中收集的，使用这些数据进行分析的结果可能错误地代表了更依赖私人资金或非专业环境(如基于办公室的门诊治疗)的州之间的联系。其他潜在的混淆因素包括:以其他语言寻求帮助的查询数量的地理和时间差异，来自替代寻求者的查询比例[
42 ]，以及其他搜索引擎的使用。特别是，包括使用西班牙语的搜索将在各州产生不同的影响，搜索和健康结果之间的关系可能会有所不同，这取决于现有的政策和干预措施，以促进非英语使用者和无证人员获得医疗保健。
43 ，
44 ］．这就需要一项单独的研究，重点关注西班牙语术语和西班牙裔个体中与sud相关的健康结果。
重要的是，在护理连续过程中，搜索和结果之间的关联的强度和意义取决于内容和结果，以及状态之间和时间之间的差异。这是意料之中的，因为长期以来各国的药物政策各不相同。2010年至2020年期间，大麻在19个州合法用于医疗用途，在8个州合法用于娱乐用途，在3个州首先合法用于医疗用途，然后合法用于娱乐用途[
45 ］．鉴于合法化对寻求治疗行为的社会可接受性的影响仍然知之甚少[
46 ]，很难推测各州大麻法律地位的变化以及研究期间的变化是否对结果产生了扭曲影响。另一个关键政策领域是各州通过纳洛酮获取法(NAL)，该法律自2013年以来迅速增加[
47 ］．到2020年，所有50个州和哥伦比亚特区都有某种形式的NAL，尽管各州的法律差异很大[
48 ］．尽管纳洛酮已被证明在逆转阿片类药物过量方面具有临床益处，但其对人群水平的影响取决于分配方案的有效性以及多种背景因素[
49 ，
50 ］．因此，NALs可能对我们的结果产生的影响尚不清楚。
虽然这项研究的目标是验证求助查询作为跨州监控工具的使用，但我们的发现需要在各州内进行进一步的调查，以将结果置于背景下并解释。纳入额外的协变量可能有助于提高本文中开发的模型的预测性能，并阐明决定多年结果变化的因素。这方面的一个关键挑战是有限的样本量，因为没有足够的统计能力来包括其他预测因素。解决这一问题的一种可能的办法是，就观测值之间的时间间隔(如月度数据)或所调查的地理级别(如县级数据)而言，获得粒度更大的数据，以增加观测值的数量。最后，虽然本研究回顾性分析了SUD寻求帮助的互联网搜索数据，以验证其监测和与治疗联系的价值，但实时分析对于告知公共卫生机构最有用，正如在COVID-19大流行期间调查精神健康相关结果的一些例子所表明的那样[
51 ，
52 ］．
结论
这项研究调查了美国国家对可卡因、甲基苯丙胺、阿片类药物、大麻和酒精的物质使用帮助互联网搜索查询的年度分数的时间和空间趋势。我们的调查显示，与酒精使用的治疗需求(但未接受治疗)、阿片类药物和甲基苯丙胺使用的治疗入院以及过量死亡率数据相关的模型具有积极的统计学意义。在当前的药物使用趋势之后，公共卫生专业人员从数百万在线搜索帮助的个人中学习并做出回应是至关重要的。该领域应投资于自动化监测并确定优先级，包括扩展我们的方法，以了解不断变化的公共卫生需求。