Published Date: 12.12.2023
Нейросети как инструмент получения информации о потреблении и обороте наркотиков
Annotation
Цель: обсудить цифровую эпидемиологию как новейший инструмент мониторинга потребления и распространения психоактивных веществ. Метод исследования: обзор базируется на информации из сетевых баз данных с использованием систем Google Scholar, PubMed, Web of Science, Scopus и eLibrary. Вывод: новый метод опирается на возможности нейросетей и становится мощным инструментом для понимания и борьбы с нелегальным наркопотреблением. Совмещение данных из различных источников и применение современных методов анализа позволяют улучшить нашу способность предсказывать и контролировать наркоэпидемии. Это открывает новые возможности для разработки более эффективных стратегий в области общественного здравоохранения и правопорядка и, как следствие, улучшения качества жизни населения. Научно-практическая значимость: рассматривается перспектива мониторинга потребления психоактивных веществ в обществе с использованием нового подхода. Приведены принятые определения и характеристики этого метода.
| Type | Article |
| Information | Narkokontrol № 04/2023 |
| Pages | 21-24 |
| UDK | 614.35 |
| DOI | 10.18572/2072-4160-2023-4-21-24 |
Library
1. Carroll M. Modeling risk factors for nicotine and other drug abuse in the preclinical laboratory / M. Carroll // Drug and alcohol dependence. 2008. Vol. 104 (1). P. 70–78. DOI: 10.1016/j.drugalcdep.2008.11.011.
2. Terracciano A. Five-Factor Model personality profiles of drug users / A. Terracciano // BMC psychiatry. 2008. Vol. 8. P. 1–10. DOI: 10.1186/1471-244X-8-22.
3. Salathé M. Digital epidemiology: what is it, and where is it going? / M. Salathé // Life Sciences, Society and Policy. 2018. Vol. 14. Iss. 1. P. 1–7. DOI: 10.1186/s40504-017-0065-7.
4. Nasralah T. Social Media Text Mining Framework for Drug Abuse: Development and Validation Study With an Opioid Crisis Case Analysis / T. Nasralah, O. El-Gayar, Y. Wang // Journal of Medical Internet Research. 2020. Vol. 22. Iss. 8. P. 18350. DOI: 10.2196/
5. Mohanty S. Using Deep Learning for Image-Based Plant Disease Detection / S. Mohanty // Frontiers in plant science. 2016. Vol. 7. P. 1419. DOI: 10.3389/fpls.2016.01419.
6. Kosinski D. Private traits and attributes are predictable from digital records of human behavior / D. Kosinski // Proceedings of the National Academy of Sciences. 2013. Vol. 110. Iss. 15. P. 5802–5805. DOI: 10.1073/pnas.1218772110.
7. Hassanpour S. Identifying substance use risk based on deep neural networks and Instagram social media data / S. Hassanpour // Neuropsychopharmacology: official publication of the American College of Neuropsychopharmacology. 2019. Vol. 44. Iss. 3. P. 487–4
8. Donaldson S. Identifying the Hidden Population: Former Intravenous Drug Users Who Are No Longer in Contact with Services. “Ask a Friend” / S. Donaldson, A. Radley, J. Dillon // Diagnostics. 2021. Vol. 11. Iss. 2. P. 170. DOI: 10.3390/diagnostics11020170.
9. Ding T. Social Media-based Substance Use Prediction / T. Ding, K. Bickel Warren, Pan Shimei // ArXiv preprint arXiv:1705.05633.
10. Cook P. Communities in charge of alcohol (CICA): A protocol for a stepped-wedge randomized control trial of an alcohol health champions programme / P. Cook // BMC Public Health, 2018. DOI: 18. 10.1186/s12889-018-5410-0.
11. Бобков Е.Н. Связь между показателями выявления потребителей наркотиков и обращаемостью населения за наркологической помощью / Е.Н. Бобков, Л.А. Муганцева, В.В. Киржанова // Журнал неврологии и психиатрии им. C.C. Корсакова. 2018. № 18 (1–2). С. 60–67. DOI
12. Campbell S. Personality and Smoking Behavior of Non-Smokers, Previous Smokers, and Habitual Smokers / S. Campbell // Journal of Addiction Research & Therapy. 2014. Vol. 5. Iss. 3. 1000191. DOI: 10.4172/2155-6105.1000191.
13. Abbasi A. User-Generated Signals for Adverse Event Warnings / A. Abbasi, J. Li, D. Adjeroh [et al.] // Information Systems Research. 2019. Vol. 30 (3). P. 1007–1028. DOI: 10.1287/isre.2019.0847.
14. Фастовцов Г.А. Посттравматическое стрессовое расстройство и аддиктивное поведение: попытка осмысления их взаимосвязи путем изучения распространенности, атипичности и факторов риска в России и за рубежом / Г.А. Фастовцов, Р.Р. Искандаров, А.А. Бурцев // На
15. Митягин С.А. Исследование социальных сетей интернет на предмет выявления сопутствующих интересов лиц, склонных к наркомании / С.А. Митягин, И.Д. Губарев, А.В. Курилкин, А.С. Нерушев // Современные исследования социальных проблем. 2016. № 4 (1). С. 295–321
16. Клименко Т.В. Наркологические расстройства в эпоху пандемии COVID-19: Аналитический обзор / Т.В. Клименко, А.А. Козлов, С.А. Игумнов [и др.] // Военная медицина. 2021. № 1 (58). С. 94–104. EDN: OYJNIN.
17. Гусев А.В. Искусственный интеллект в медицине и здравоохранении / А.В. Гусев, С.Л. Добриднюк // Информационное общество. 2017. № 4–5. С. 78–93.
18. Бурцев А.А. Обзор некоторых актуальных проблем мониторинга новых психоактивных веществ в Москве / А.А. Бурцев, Р.Р. Искандаров., А.В. Смирнов [и др.] // Наркология. 2018. № 6 (12). С. 53–59. DOI: 10.25557/1682-8313.2018.06.53-59.
19. Бурсов А.И. Применение искусственного интеллекта для анализа медицинских данных / А.И. Бурсов // Альманах клинической медицины. 2019. № 47 (7). С. 630–633. DOI: 10.18786/2072-0505-2019-47-071.
Get access to the article