这是一篇开放获取的文章,根据创作共用署名许可(https://creativecommons.org/licenses/by/4.0/)的条款发布,允许在任何媒介上无限制地使用、分发和复制,前提是正确引用最初发表在《医学互联网研究杂志》上的原创作品。必须包括完整的书目信息,//www.mybigtv.com/上的原始出版物的链接,以及此版权和许可信息。
目前还没有公认的金标准方法来估计在特定地理区域内寻求帮助的物质使用障碍(SUDs)患者的数量。这对政策制定者在有效部署用于治疗sudd的资源方面提出了挑战。与使用谷歌Trends帮助寻找sud相关的互联网搜索查询可能是一种低成本、实时和数据驱动的信息监视工具,可以解决这种信息不足的问题。
本文评估了使用与帮助寻找sud相关的搜索查询数据作为未满足的治疗需求、治疗需求以及与未满足的治疗需求相关的健康危害预测指标的可行性。我们探索了一系列假设,以解释可能发生的不同结果,这些结果取决于与系统能力相关的治疗需求,以及与物质使用和行为改变轨迹相关的寻求帮助的时间。
我们使用负二项回归模型来检查2010年至2020年美国州谷歌趋势中SUD年度帮助寻求互联网搜索查询的时间趋势,包括可卡因、甲基苯丙胺、阿片类药物、大麻和酒精。为了验证这些数据用于监测目的的价值,我们随后使用负二项回归模型来调查在连续护理(包括缺乏护理)中SUD求助搜索和州级结果之间的关系。我们首先研究了自我报告治疗需求的相关性,使用的数据来自美国全国药物使用和健康调查,这是一项针对美国普通人群的全国性调查。接下来,我们从治疗事件数据集(SUD治疗设施的国家数据系统)探索了与治疗入院率的关系。最后,我们研究了州级阿片类药物过量和死亡人数的相关性,使用的数据来自医疗保健研究和质量机构和疾病控制与预防中心WONDER数据库。
在2010年至2020年期间,寻求帮助的搜索在统计上存在显著差异
这项研究表明,利用谷歌趋势的互联网搜索查询作为信息监测工具,在空间和时间上预测药物使用治疗的需求,特别是对阿片类药物使用障碍的需求,具有明显的潜力。
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[
间接估计方法已被使用,包括捕获-再捕获[
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[
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[
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[
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[
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[
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[
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。
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[
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[
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[
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[
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)。
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。
QF数据的负二项回归分析(结果见表S1)
基尼系数估计值来自不同物质和年份的查询分数变量。
阿片类药物使用求助搜索的盒须图。
对NSDUH数据的分析显示:
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
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 |
|
非法使用药物 | 1.01 | 0.99 - -1.03 | 点 |
使用酒精 | 1.01 | 1.00 - -1.01 | 04 |
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
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(
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 |
|
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
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(
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(
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 |
|
阿片类药物的《一个 | 1.11 | 1.09 - -1.14 | <措施 |
一个QF:查询分数。
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。
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[
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[
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[
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[
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。
补充表格和数字。
医疗质量和研究机构
应用程序编程接口
病例报告表
急诊科
纳洛酮获取法
全国吸毒与健康调查
查询分数
均方根误差
药物滥用和精神健康服务管理局
物质使用障碍
治疗事件数据集:入院
TP和DJ感谢国家药物滥用研究所(NIDA)通过T32培训补助金(T32 DA023356)提供的支持。TP和AB感谢NIDA通过Avenir赠款(DP2DA049295)提供的支持。SS和JA感谢来自加州艾滋病研究项目的资助。
TC报告称,在这项工作之外,他还持有一家研究咨询公司Data Science Solutions的股权。没有其他作者需要声明冲突。