Objectives. We have described national trends for the 5 leading external causes of injury mortality. Methods. We used negative binomial regression and annual underlying cause-of-death data for US residents for 2000 through 2009. Results. Mortality rates for unintentional poisoning, unintentional falls, and suicide increased by 128%, 71%, and 15%, respectively. The unintentional motor vehicle traffic crash mortality rate declined 25%. Suicide ranked first as a cause of injury mortality, followed by motor vehicle traffic crashes, poisoning, falls, and homicide. Females had a lower injury mortality rate than did males. The adjusted fall mortality rate displayed a positive age gradient. Blacks and Hispanics had lower adjusted motor vehicle traffic crash and suicide mortality rates and higher adjusted homicide rates than did Whites, and a lower unadjusted total injury mortality rate. Conclusions. Mortality rates for suicide, poisoning, and falls rose substantially over the past decade. Suicide has surpassed motor vehicle traffic crashes as the leading cause of injury mortality. Comprehensive traffic safety measures have successfully reduced the national motor vehicle traffic crash mortality rate. Similar efforts will be required to diminish the burden of other injury.

Background: Large language models (LLMs) have shown promise in various professional fields, including medicine and law. However, their performance in highly specialized tasks, such as extracting ICD-10-CM codes from patient notes, remains underexplored. Objective: The primary objective was to evaluate and compare the performance of ICD-10-CM code extraction by different LLMs with that of human coder. Methods: We evaluated performance of six LLMs (GPT-3.5, GPT-4, Claude 2.1, Claude 3, Gemini Advanced, and Llama 2-70b) in extracting ICD-10-CM codes against human coder. We used deidentified inpatient notes from American Health Information Management Association Vlab authentic patient cases for this study. We calculated percent agreement and Cohen’s kappa values to assess the agreement between LLMs and human coder. We then identified reasons for discrepancies in code extraction by LLMs in a 10% random subset. Results: Among 50 inpatient notes, human coder extracted 165 unique ICD-10-CM codes. LLMs extracted significantly higher number of unique ICD-10-CM codes than human coder, with Llama 2-70b extracting most (658) and Gemini Advanced the least (221). GPT-4 achieved highest percent agreement with human coder at 15.2%, followed by Claude 3 (12.7%) and GPT-3.5 (12.4%). Cohen’s kappa values indicated minimal to no agreement, ranging from -0.02 to 0.01. When focusing on primary diagnosis, Claude 3 achieved highest percent agreement (26%) and kappa value (0.25). Reasons for discrepancies in extraction of codes varied amongst LLMs and included extraction of codes for diagnoses not confirmed by providers (60% with GPT-4), extraction of non-specific codes (25% with GPT-3.5), extraction of codes for signs and symptoms despite presence of more specific diagnosis (22% with Claude-2.1) and hallucinations (35% with Claude-2.1). Conclusions: Current LLMs have poor performance in extraction of ICD-10-CM codes from inpatient notes when compared against the human coder.

To examine sex differences in overdose (OD) mortality based upon substances involved.

The objective of this study was to understand barriers to healthcare and social service utilization among older adults residing in rural areas who use drugs. A cross-sectional survey of persons who use opioids or inject drugs in rural counties with high overdose rates across ten states was conducted. For this analysis, participants were restricted to only the 375 individuals aged 50 and older. They were asked about barriers to utilizing healthcare and social services. Multivariate analyses were conducted. The most common barriers were a lack of transportation and a fear of stigma. The average number of barriers was 2.53. Those who were either uninsured or homeless endorsed 37% more barriers. For every five-year increase in age, the number of barriers reduced by 15%. Efforts to reduce these barriers may include expanding eligibility for transportation and housing services and leveraging trusted community members to broker linkages to providers to overcome stigma.

People who use drugs (PWUD) in rural communities increasingly use stimulants, such as methamphetamine and cocaine, with opioids. We examined differences in hepatitis C virus (HCV) testing and treatment history among rural PWUD with opioids, stimulants, and other substance use combinations. PWUD were enrolled from ten rural U.S. communities from 2018 to 2020. Participants self-reporting a positive HCV result were asked about their HCV treatment history and drug use history. Drug use was categorized as opioids alone, stimulants alone, both, or other drug(s) within the past 30 days. Prevalence ratios (PR) were yielded using adjusted multivariable log-binomial regression with generalized linear mixed models. Of the 2,705 PWUD, most reported both opioid and stimulant use (74%); while stimulant-only (12%), opioid-only (11%), and other drug use (2%) were less common. Most (76%) reported receiving HCV testing. Compared to other drug use, those who reported opioid use alone had a lower prevalence of HCV testing (aPR = 0.80; 95% CI: 0.63, 1.02). Among participants (n = 944) who self-reported an HCV diagnosis in their lifetime, 111 (12%) ever took anti-HCV medication; those who used both opioids and stimulants were less likely to have taken anti-HCV medication compared with other drug(s) (aPR = 0.41; 95% CI: 0.19, 0.91). In this pre-COVID study of U.S. rural PWUD, those who reported opioid use alone had a lower prevalence of reported HCV testing. Those diagnosed with HCV and reported both opioid and stimulant use were less likely to report ever taking anti-HCV medication.

Nephrotoxin exposure may worsen kidney injury and impair kidney recovery if continued in patients with acute kidney injury (AKI).

Objectives. To analyze War on Drugs encounters and their relationships to health care utilization among White people who use drugs (PWUD) in 22 Appalachian rural counties in Kentucky, West Virginia, Ohio, and North Carolina. Methods. We recruited White PWUD using chain referral sampling in 2018 to 2020. Surveys asked about criminal–legal encounters, unmet health care needs, and other covariates. We used generalized estimating equations to regress unmet need on criminal–legal encounters in multivariable models. Results. In this sample (n = 957), rates of stop and search, arrest, incarceration, and community supervision were high (44.0%, 26.8%, 36.3%, and 31.1%, respectively), as was unmet need (68.5%). Criminal–legal encounters were unrelated to unmet need (stops: adjusted prevalence ratio [APR] = 1.13; 95% confidence interval [CI] = 0.97, 1.32; arrest: APR = 0.95; 95% CI = 0.78, 1.15; incarceration: APR = 1.01; 95% CI = 0.89, 1.14; community supervision: APR = 0.99; 95% CI = 0.90, 1.09). Conclusions. Contrasting with findings from predominantly Black urban areas, criminal–legal encounters and unmet need were unrelated among White Appalachian PWUD. Research should explore whether and under what conditions White supremacy’s benefits might buffer adverse impacts of the War on Drugs in Appalachia. ( Am J Public Health. 2024;114(10):1086–1096. https://doi.org/10.2105/AJPH.2024.307744 )