Traducido del inglés al español - www.onlinedoctranslator.

com

Manuscrito aceptado por el autor

Pronóstico de muertes prematuras a nivel estatal por

alcohol, drogas y suicidios utilizando datos de Google
Trends

Jason Parker, Courtney Cuthbertson, Scott

Loveridge, Mark Skidmore y Will Dyar

www.elsevier.com/locate/jad

PII: S0165-0327 (16) 31110-7

DOI: http://dx.doi.org/10.1016/j.jad.2016.10.038
Referencia: JAD8602

Aparecer en: Revista de trastornos afectivos

Fecha de recepción: 30 de junio de 2016 Fecha

de revisión: 14 de septiembre de 2016 Fecha de
aceptación: 22 de octubre de 2016

Citar este artículo como: Jason Parker, Courtney Cuthbertson, Scott Loveridge, Mark
Skidmore y Will Dyar, Pronóstico de muertes prematuras a nivel estatal por alcohol,
drogas y suicidios utilizando datos de Google Trends, Revista de trastornos
afectivos, http://dx.doi.org/10.1016/j.jad.2016.10.038

Este es un archivo PDF de un manuscrito sin editar que ha sido aceptado para su publicación.
Como servicio a nuestros clientes, proporcionamos esta primera versión del manuscrito. El
manuscrito se someterá a corrección de estilo, composición tipográfica y revisión de la prueba de
galera resultante antes de que se publique en su forma citable final.Tenga en cuenta que durante
el proceso de producción se pueden descubrir errores que podrían afectar el contenido y todas
las exenciones de responsabilidad legales que se aplican a la revista. pertenecer
Pronóstico de muertes prematuras a nivel estatal por alcohol, drogas y suicidios
utilizando datos de Google Trends

Jason Parker, doctoradoa * 1, Courtney Cuthbertson, Doctora en FilosofíaB, Scott Loveridge, PhDa, Mark
Skidmore, PhDa2, Will Dyar, MSC
aInvestigadorpostdoctoral, Economía agrícola, alimentaria y de recursos, Universidad Estatal de
Michigan, 446 W. Circle Dr., Suite 66, Morrill Hall of Agriculture, East Lansing, MI 48824-1039

BEducador de extensión, Michigan State University, 446 W. Circle Dr., Suite 66, Morrill Hall of
Agriculture, East Lansing, MI 48824-1039
CEstudiante de doctorado, Economía agrícola, alimentaria y de los recursos, Universidad Estatal de Michigan, 458 W

Circle Dr., Suite 908, Cook Hall, East Lansing, MI 48824-1039

parke392@msu.edu

cuthbe16@msu.edu
loverid2@msu.edu
mskidmor@msu.edu
dyarwill@msu.edu
*
Autor correspondiente. Tel .: + (972) 342 4028.
Abstracto

Fondo
Las estadísticas vitales sobre el número de muertes inducidas por alcohol (AICD), muerte inducida por drogas (DICD) y

suicidios a nivel local solo están disponibles después de un retraso sustancial de hasta dos años después de que ocurran los

eventos. (1) investigamos qué tan bien los datos de búsqueda de Google Trends explican la variación en las tasas a nivel

estatal en los EE. UU., Y (2) usamos este método para pronosticar estas tasas de muerte para 2015 ya que los datos oficiales

aún no están disponibles.

Métodos
Probamos el grado en que los datos de Tendencias de Google en 27 términos pueden ajustarse a los datos de los CDC

usando L1- regularización en AICD, DICD y suicidio. Utilizando los datos de Google Trends, pronosticamos las tasas de

suicidio, AICD y DICD de 2015.

Resultados

L1-La regularización se ajusta a los datos anteriores a 2015 mucho mejor que el modelo alternativo que utiliza variables de

ingresos y desempleo a nivel estatal. Los datos de Google Trends representan una variación sustancial en

1 Investigador Post-Doctoral, Beca de Evaluación y Educación Comunitaria para Promover la Planificación y

Evaluación de la Salud del Comportamiento (CAPE) II.
2 Director del Centro Regional Norte Central de Desarrollo Rural.

2
crecimiento de las tasas de muerte a nivel estatal: 30,9% para AICD, 23,9% para DICD y 21,8% para tasas de

suicidio. Se prevé que todos los estados, excepto Hawái, aumenten en las tres tasas en 2015.Limitaciones

El modelo predice el comportamiento estatal, no local o individual, y depende de la disponibilidad continua de

los datos de Tendencias de Google.

Conclusiones
El método predice las tasas de suicidio, AICD y DICD a nivel estatal mejor que el modelo alternativo. Los hallazgos del

estudio sugieren que esta metodología se puede desarrollar en un sistema de vigilancia de salud pública para las

causas de muerte relacionadas con la salud del comportamiento. Las predicciones a nivel estatal podrían usarse para

informar las intervenciones estatales destinadas a reducir el AICD, DICD y el suicidio.

Palabras clave

Salud conductual; previsión; suicidio; abuso de sustancias; Tendencias de Google; análisis regional

Introducción

El suicidio, junto con la muerte provocada por el alcohol y las drogas, es responsable de un número

sustancial de muertes prematuras y evitables en todo el mundo cada año. Anualmente en todo el mundo, casi

3,3 millones de muertes se atribuyen al consumo de alcohol (OMS, 2004), hasta un cuarto de millón de muertes

se atribuyen al abuso de sustancias (Degenhardt y Hall, 2012) y el suicidio representa más de 800.000 muertes

(OMS, 2014). ). En los Estados Unidos, más de 42,000 personas se suicidaron y más de 80,000 sufrieron una

muerte inducida por alcohol o drogas en 2014 (CDC, 2013a). En los EE. UU., Varias organizaciones recopilan

estadísticas vitales sobre estas causas de muerte relacionadas con la salud del comportamiento que son

atribuibles a enfermedades mentales y al consumo de sustancias. Los datos de mortalidad son importantes

para mostrar las posibles conexiones entre las causas o el momento de la muerte y otros factores biológicos,

psicológicos, sociales y económicos, así como para informar las opciones de prevención y tratamiento. Sin

embargo, los datos solo están disponibles después de un retraso sustancial de hasta varios años después de

que ocurran los eventos originales de salud conductual, lo que complica las intervenciones en tiempo real

(McCarthy, 2010). Aunque existen algunos sistemas de monitoreo en áreas geográficas limitadas, no existe un

sistema de monitoreo o vigilancia en tiempo real, geográficamente completo y disponible públicamente en los

Estados Unidos para las causas de muerte relacionadas con la salud del comportamiento.

3
proveedores o agencias de salud de la comunidad para reunir recursos para ayudar a prevenir que ocurran muertes prematuras

adicionales en caso de un aumento. El objetivo de este estudio es utilizar nuevos datos disponibles públicamente de Google Trends

para modelar y pronosticar de manera confiable las causas de muerte relacionadas con la salud del comportamiento a nivel estatal,

y hacerlo mediante la aplicación de una técnica estadística relativamente nueva que puede aprovechar el poder de muchas

variables independientes. .

La gente recurre cada vez más a Internet en busca de información sobre salud, salud
mental y suicidio (Fox, 2011; Recupero et al., 2008). Google Trends es una herramienta de
datos en línea gratuita que muestra volúmenes de búsquedas utilizando Google, de palabras o
frases a lo largo del tiempo y el espacio geográfico. Google Trends comienza a verse como una
fuente de datos para la investigación en salud (Vayena et al., 2012). En Japón, las búsquedas en
Google del término "depresión" se correlacionaron positivamente con la tasa agregada de
suicidios después de un lapso de 1 a 3 meses (Sueki, 2011), mientras que en Taiwán, casi un
tercio de la variación en las tasas agregadas de suicidio se explicaron mediante búsquedas de
“depresión mayor” y “divorcio” (Yang et al., 2011). En los Estados Unidos, los términos
"suicidarse", "cómo suicidarse, ”Y la“ prevención del suicidio ”se correlacionaron positivamente
con la tasa de suicidios a nivel nacional (Gunn III y Lester, 2013). Las redes sociales en sí
mismas pueden influir en el riesgo de suicidio (Luxton et al., 2012; Shah, 2010). Monitorear las
redes sociales y las búsquedas en línea ha demostrado ser fructífero para rastrear
autolesiones no suicidas (Bragazzi, 2014), uso de drogas recreativas (Deluca et al., 2012), uso
de tabaco sin cigarrillos (Cavazos-Rehg et al., 2014), cannabis uso (Steppan et al., 2013), uso no
médico de Adderall (Hanson et al., 2013) y uso de alcohol (Frijters et al., 2013). Un estudio
anterior consideró la vigilancia del suicidio a nivel estatal utilizando Google Trends; el estudio
fue de naturaleza transversal, utilizando un año de datos a nivel estatal (n = 51) y 5 términos
de búsqueda (Ma-Kellams et al., 2016).

Este documento probó el grado en que los datos de Google Trends en 27 términos se pueden ajustar y validar de

forma cruzada con los datos de mortalidad de los CDC utilizando L1-regularización de AICD, DICD y suicidio. Utilizando los

datos de Google Trends, pronosticamos las tasas de suicidio, AICD y DICD de 2015. L1-La regularización se ajusta a los datos

anteriores a 2015 mucho mejor que el modelo alternativo que utiliza variables de ingresos y desempleo a nivel estatal. Los

datos de Google Trends pueden explicar una variación sustancial en el crecimiento de las tasas de mortalidad a nivel

estatal: 30,9% para AICD, 23,9% para DICD y 21,8% para suicidio. Cada estado

4
excepto que se prevé que Hawaii aumente en las tres tasas en 2015. La metodología del estudio predice las tasas

futuras de suicidio, AICD y DICD a nivel estatal mejor que el modelo alternativo. Los hallazgos del estudio sugieren

que esta metodología se puede desarrollar aún más en un sistema de vigilancia de salud pública para las causas de

muerte relacionadas con la salud del comportamiento. Tales predicciones a nivel estatal podrían usarse para

informar las intervenciones estatales destinadas a reducir el AICD, DICD y el suicidio.

Este estudio se basa en gran medida en las ideas presentadas por Google Flu Trends, que era una herramienta en línea para predecir la influenza (gripe) que operó de

2008 a 2014 a nivel local y semanal (Ginsberg et al., 2009). Google Flu Trends finalmente se cerró porque el modelo predijo de manera persistente la cantidad de muertes por

influenza (Lazer et al., 2014). Lazer y col. (2014) recopiló un resumen de cuatro partes de los problemas con Tendencias de la gripe de Google que trabajamos para evitar en nuestro

modelo. Primero, Google Flu Trends tenía un problema con la transparencia y la replicabilidad porque el código del sistema era propiedad de Google, incluso si los datos de Google

Trends eran públicos. El modelo especificado en este documento se proporciona con el mayor detalle posible, aunque el proceso de generación de los datos de Tendencias de

Google sigue siendo algo apropiado para Google. Segundo, Tendencias de la gripe de Google intentó mejorar un proceso que, en sí mismo, podría predecirse en gran medida

mediante herramientas de pronóstico estadísticas ordinarias. En este artículo, comparamos nuestros pronósticos con un modelo estadístico más tradicional. En tercer lugar, Lazer et

al. (2014) sugirió que los investigadores estudien el algoritmo mediante el cual se generan los datos de Google, lo que está más allá del alcance de este estudio. Finalmente, Lazer et

al. (2014) alentó a los futuros investigadores a utilizar técnicas estadísticas y de aprendizaje automático juntas para estimar y predecir datos. Para abordar este problema, primero

tratamos previamente los datos para asegurarnos de que nuestras suposiciones estadísticas sean válidas antes de usar la L (2014) sugirió que los investigadores estudien el

algoritmo mediante el cual se generan los datos de Google, lo que está más allá del alcance de este estudio. Finalmente, Lazer et al. (2014) alentó a los futuros investigadores a

utilizar técnicas estadísticas y de aprendizaje automático juntas para estimar y predecir datos. Para abordar este problema, primero tratamos previamente los datos para

asegurarnos de que nuestras suposiciones estadísticas sean válidas antes de usar la L (2014) sugirió que los investigadores estudien el algoritmo mediante el cual se generan los

datos de Google, lo que está más allá del alcance de este estudio. Finalmente, Lazer et al. (2014) alentó a los futuros investigadores a utilizar técnicas estadísticas y de aprendizaje

automático juntas para estimar y predecir datos. Para abordar este problema, primero tratamos previamente los datos para asegurarnos de que nuestras suposiciones estadísticas

sean válidas antes de usar la L1-Técnica de regularización: una técnica desarrollada tanto en estadística como en aprendizaje automático, para modelar los datos de salud conductual

mientras se controla el sobreajuste a partir del uso de muchos términos de búsqueda. Si bien abordamos las preocupaciones documentadas sobre el modelo de tendencias de la

gripe de Google, los modelos basados en búsquedas en Internet probablemente requieran una calibración más frecuente que los sistemas de pronóstico que utilizan datos más

tradicionales, debido al entorno de búsqueda que cambia rápidamente (especialmente con respecto a los términos de la jerga común, que pueden evolucionar mucho).

rápidamente, especialmente en referencia al uso indebido de drogas).

Métodos
Fuentes de datos

Los datos de salud conductual a nivel estatal se descargaron del Centro para el Control y la Prevención de

Enfermedades (CDC) Datos en línea de amplio rango para la investigación epidemiológica (WONDER)

5
(CDC, 2015c). Los datos incluyen variables anuales de 1999 a 2014 sobre las causas de muerte inducidas por el

alcohol (AICD), las causas de muerte inducidas por drogas (DICD) y el suicidio. Estos tres conjuntos de datos a nivel

estatal se transformaron a tasas (por 100.000 cápita) y se modelaron utilizando datos de Google Trends. Para las

variables del modelo alternativo, incluimos el ingreso personal per cápita real disponible (después de impuestos) a

nivel estatal (RDPIpC) y la tasa de desempleo (sin empleo) de la Oficina de Análisis Económico (BEA, 2015). Ambos

están disponibles a nivel estatal con solo un ligero retraso.

Google Trends es una interfaz de programa de aplicación en línea que permite a los usuarios descargar información

sobre el volumen de búsquedas de diferentes términos en varias regiones y a lo largo del tiempo (Google, 2015). Los

usuarios pueden acceder a los datos de Google Trends a nivel global, nacional, subnacional o regional. Tenga en cuenta que

los niveles regionales o subestatales en Google Trends no coinciden con precisión con las divisiones geopolíticas

tradicionales, como los condados. Muchos términos de búsqueda están disponibles a nivel estatal o sub-estatal a partir de

2004, ya sea como volúmenes de búsqueda semanales o mensuales. Este estudio limitó Google Trends a los Estados Unidos

y se centra en los datos a nivel estatal para compararlos con los datos oficiales de mortalidad. La herramienta de volumen

de búsqueda de Google comienza con datos de 2004. Limitamos los datos a los últimos cinco años (2010-2014) porque el

uso de Internet ha aumentado constantemente durante los últimos 15 años (Perrin y Duggan, 2015). Los datos de la serie de

tiempo de Google Trends para cada término y para cada estado se recopilaron utilizando un código Python automatizado

para descargar y agregar la serie de tiempo mensual o semanal para construir un panel de datos anuales para tener la

misma escala de tiempo que los datos oficiales de mortalidad. Los datos utilizados aquí se descargaron de Google Trends

durante dos días, del 9 al 10 de mayo de 2016.

Inicialmente, se recopiló un grupo de más de 370 términos y frases de búsqueda como potencialmente

relacionados con la salud del comportamiento. Del grupo inicial, descartamos 202 términos de varias palabras y 121

términos con "muy poco volumen de búsqueda". Demasiado poco volumen de búsqueda se definió como tener más de un

tercio de ceros en el estado menos poblado (Wyoming) entre 2010 y 2014. Cada término se examinó cuidadosamente para

considerar posibles búsquedas confusas (búsquedas de términos no relacionados con la salud conductual que usan la

misma palabra) que podrían confundir los resultados. Por ejemplo, la búsqueda de "olla", un término del argot común para

la marihuana, también produce volúmenes de búsqueda de frases como "olla de barro", un electrodoméstico de cocina. La

lista final incluye 27 términos de salud conductual agrupados en cinco categorías, como se informa en la Tabla 1 junto con

estadísticas resumidas de 2010-2014. Las estadísticas de resumen incluyen tanto la variación dentro del estado como la

variación entre estados, ya que este es un modelo de datos de panel. Estos datos muestran una variación significativa en

Google

6
Variables de tendencias que se utilizan para pronosticar las tasas de salud conductual. También consideramos si alguno de

los términos de búsqueda de Google fue un predictor particularmente fuerte de los resultados de salud conductual.

Análisis estadístico
Para modelar patrones en suicidios y otras tasas de muerte, los datos fueron tratados previamente aplicando el

logaritmo natural antes de la primera diferenciación. Este procedimiento induce estacionariedad en los datos, condición

necesaria para el modelado lineal (Núñez ‐ Antón y Zimmerman, 2000). Este tratamiento previo transforma las tasas de

mortalidad en tasas de crecimiento de las tasas de mortalidad.

En este artículo, consideramos dos modelos para los datos, una alternativa y la L1-regularización en

Google Trends que estamos interesados en probar. La alternativa es modelar los datos utilizando la tasa de

desempleo y el ingreso personal real disponible per cápita de la siguiente manera para el estado

y año :
( ) ( ) ( ) , (1)
dónde es la tasa de mortalidad del estado en el año , dónde es el
tasa de desempleo para el estado en el año, donde es el ingreso personal real disponible

tasa per cápita para el estado en el año , dónde y son el coeficiente de regresiones lineales para

() y ( ) respectivamente, y donde es un error estocástico del

modelo de regresión lineal. La alternativa podría considerarse un modelo débil. Sin embargo, los datos utilizados se publican con

un lapso de tiempo muy corto y, por lo tanto, son bastante útiles para la construcción de modelos actualizados cuando se

consideran los pronósticos dentro de la muestra.

La siguiente ecuación resume el segundo modelo (el modelo principal de interés) para

estado y año

( )∑ ( ) , (2)
dónde es la tasa de mortalidad del estado en el año , dónde son las Tendencias de Google

término de búsqueda indexado para el estado en el año, donde está la L1-coeficiente de regularización para el

th término, y donde es un error estocástico. Para controlar el sobreajuste por incluir demasiados

variables, el modelo se estima utilizando un enfoque GLM LASSO (o L1-regularización) de (Friedman et al.,

2001). El término de penalización se seleccionó mediante validación cruzada para minimizar el error de

predicción cuadrático medio de la predicción de la muestra de un año fuera. Este procedimiento se eligió de

modo que el error de predicción cuadrático medio en 2015 se aproxime razonablemente por el

7
error de predicción cuadrática media con validación cruzada utilizado para ajustar el modelo. L1-se eligió la regularización

sobre L2-regularización para evitar infra-penalización en torno a valores de coeficiente cero.

El modelo (2) es diferente del modelo (1) porque: a) usa datos de Google Trends yb)
usa la L1-Técnica de regularización para controlar el sobreajuste. Es importante señalar
que no estamos argumentando que el Modelo (2) sea un modelo causal como el Modelo
(1). En cambio, estamos diciendo que es posible construir un predictor preciso a partir de
un modelo no causal utilizando los términos de Tendencias de Google. De manera
relacionada, dado que estamos interesados en pronosticar en lugar de interpretar los
tamaños de los coeficientes estimados, no es necesario separar los términos que podrían
interpretarse como términos económicos y relacionados con la salud (por ejemplo, las
búsquedas de 'depresión' podrían buscar información sobre una depresión económica,
así como también se podría buscar información sobre el trastorno mental).

Resultados

Primero, para evaluar la viabilidad de la L1-diseño de regularización, usamos este método de manera

contrafáctica para el período anterior usando 2009-2013 para pronosticar 2014. Luego comparamos el resultado

con los datos reales de 2014. Sin pérdida de generalidad, normalizamos el error de predicción cuadrático medio

(MSPE) por lo que que el MSPE del modelo de caminata aleatoria es 1.000 (utilizando el valor de 2013 como

predicción para 2014). Porque el pronóstico de caminata aleatoria simplemente predice que

() es cero, es un umbral superior conveniente para cualquier pronóstico razonable para este

datos. Intentamos incluir efectos fijos estatales para controlar la heterogeneidad estatal, pero este método

estuvo fuertemente dominado por el modelo agrupado en todos los casos. El MSPE de las regresiones de

mínimos cuadrados utilizando las variables alternativas fue 2.006 para AICD, 3.041 para DICD y 0.912 para

suicidio. El MSPE de la L1-La regularización con los datos de Google Trends fue 0,758 para AICD, 0,840 para

DICD y 0,919 para suicidio. En casi todos los casos, la L de dos etapas1-La técnica de regularización con los

datos de Google Trends funcionó al menos tan bien o mejor que los otros modelos potenciales con la posible

excepción del suicidio donde la L1-La técnica de regularización funciona solo un poco peor que el modelo de

control. Dado que el acceso a Internet se ha generalizado aún más en 2015, esperaríamos que nuestro

pronóstico sea incluso mejor que el contrafactual proporcionado aquí. Todos estos resultados están

disponibles en el Apéndice B de los materiales complementarios.

8
 El modelo representa el 30,9% de la variación total en la tasa de crecimiento de las tasas de AICD a nivel

estatal. El l1-Técnica de regularización seleccionó 14 de los 27 términos potenciales. Los coeficientes son distintos de

cero en las cuatro categorías de términos. Las estimaciones de los coeficientes se pueden encontrar en la Tabla 2.

Muchos términos diferentes parecen jugar un papel en la predicción de las tasas de AICD. Por ejemplo, "deuda"

tiene un coeficiente alto, pero la desviación estándar total del término de la "deuda" es relativamente baja de 2,73.

Esto indica que, si bien un cambio sustancial en el plazo de la "deuda" tendría un gran impacto en nuestra predicción

de la tasa de suicidios, un cambio tan importante es relativamente poco probable. Por tanto, parece razonable decir

que la "deuda" es (estadísticamente) "menos importante" que la "terapia" porque la terapia tiene una desviación

estándar más alta de 5,98. Pensando en términos de la desviación estándar multiplicada por la magnitud del

coeficiente, solo dos términos parecen ser especialmente importantes en la predicción: "hospital" es, con mucho, el

más importante y la "terapia", un lejano segundo lugar. "Hospital" se correlaciona negativamente con las tasas de

AICD y "terapia" se correlaciona positivamente con las tasas de AICD.

Los cambios porcentuales pronosticados en las tasas de AICD en 2015 se informan en la Figura 1 Panel

A. Todos los estados muestran aumentos entre 0.00% y 7.97%. Los cinco estados que se prevé que tendrán los

mayores aumentos son Wyoming (8,0%), Kansas (7,6%), Nebraska (6,9%), Colorado (6,4%) y Minnesota (6,3%).

Las tasas de AICD pronosticadas en 2015 se muestran en la Figura 1 Panel B. Los cinco estados pronosticados

para tener la mayor porción de AICD per cápita son Nuevo México (25.9), Alaska (19.6), Oregon (19.5),

Wyoming (19.1) y Arizona (18,4).

En el caso de las tasas de crecimiento de DICD, el modelo representa el 23,9% de la variación total. El l1-

técnica de regularización seleccionada 5 de los 27 términos potenciales. Como en el caso de las tasas AICD,

consideramos el producto de la desviación estándar y la magnitud del coeficiente para explicar la importancia de una

variable para el modelo. El término más importante es "desempleo", que está relacionado negativamente con DICD.

Los términos segundo y tercero más importantes son "rehabilitación" y "depresión", que están relacionados

positivamente con DICD.

Los cambios porcentuales pronosticados en las tasas de DICD en 2015 se informan en la Figura 2 Panel A. La

mayoría de los estados muestran un aumento constante en las tasas de DICD en 2015 de entre 2.23% y 7.14%. Los

cinco estados que se prevé que tendrán los mayores aumentos son Mississippi (7,1%), Delaware (7,1%), Alabama

(6,8%), Virginia (6,8%) y Luisiana (6,7%). Las tasas de DICD pronosticadas en 2015 se muestran en la Figura 2 Panel B.

Los cinco estados que se pronostica que tendrán la mayor porción de DICD per cápita son Virginia Occidental (36,1),

Nuevo México (28,1), New Hampshire (27,5), Kentucky (26,8) y Ohio (25,7).

9
 El modelo representa el 21,8% de la variación total en la tasa de crecimiento de las tasas de suicidio a

nivel estatal. El l1-Técnica de regularización seleccionó solo 3 de los 27 términos potenciales. El término más

importante fue "desempleo", que se encontró relacionado positivamente con el suicidio.

Los cambios porcentuales pronosticados en las tasas de suicidio en 2015 se informan en la Figura 3 Panel A.

La mayoría de los estados muestran un aumento constante en las tasas de suicidio en 2015 de entre 2.53% y 2.81%.

Los cinco estados que se prevé que tendrán los mayores aumentos son Dakota del Norte (2,8%), Wyoming (2,8%),

Oklahoma (2,8%), Dakota del Sur (2,7%) y Oregon (2,7%). Las tasas de suicidio pronosticadas en 2015 se muestran

en la Figura 3 Panel B. Los cinco estados que se pronostica que tendrán la mayor proporción de suicidios por

100,000 cápita son Montana (25.2), Alaska (23.3), Nuevo México (22.1), Wyoming (21.1), y Colorado (20,8). Los

aumentos pronosticados para el suicidio son más consistentes en los EE. UU. Que los de AICD y DICD, pero las tasas

generales son más altas que las de AICD.

En general, los modelos predicen que la muerte inducida por alcohol, la muerte inducida por drogas y el suicidio

aumentarán en 2015. Se espera que el suicidio y la muerte inducida por drogas aumenten en los 50 estados, y se espera

que la muerte inducida por alcohol aumente en todos los estados. estado salvo Hawaii.

Discusión
Las estadísticas oficiales de mortalidad muestran que millones de muertes en todo el mundo cada año son atribuibles a causas relacionadas con el alcohol, las causas

relacionadas con las drogas y el suicidio. En los EE. UU., Se estima que esas cifras aumentarán en muchos estados. Nuestro método de análisis utilizó los datos de Google Trends

para generar predicciones sobre el futuro cercano de AICD, DICD y tasas de suicidio en cada uno de los 50 estados. En los EE. UU., Los datos de Google Trends pudieron explicar

entre el 21,8% y el 30,9% de la variación total en la tasa de crecimiento de AICD, DICD y tasas de suicidio a nivel estatal después de incluir controles para las tasas de desempleo y el

ingreso real disponible per cápita. En total, este modelo predijo que se espera que más de 129,000 personas hayan sucumbido a la muerte por suicidio, causas relacionadas con el

alcohol o causas relacionadas con las drogas en los Estados Unidos en 2015. Esto incluye más de 52, 000 muertes por causas inducidas por drogas, más de 44,000 muertes por

suicidio y más de 32,000 muertes por causas inducidas por alcohol, y estas cifras no incluyen muertes en el Distrito de Columbia, los territorios de EE. UU., Las áreas periféricas o de

EE. UU. ciudadanos en el extranjero. Algunos términos de búsqueda de Google fueron más útiles para predecir estas tasas de muerte que otros. En un sentido general, los

coeficientes significativos relacionados con los términos de búsqueda indican que los eventos y circunstancias estresantes de la vida, las condiciones de salud física y las conductas

de riesgo afectan las tasas de AICD, DICD y suicidio. Algunos términos de búsqueda de Google fueron más útiles para predecir estas tasas de muerte que otros. En un sentido

general, los coeficientes significativos relacionados con los términos de búsqueda indican que los eventos y circunstancias estresantes de la vida, las condiciones de salud física y las

conductas de riesgo afectan las tasas de AICD, DICD y suicidio. Algunos términos de búsqueda de Google fueron más útiles para predecir estas tasas de muerte que otros. En un

sentido general, los coeficientes significativos relacionados con los términos de búsqueda indican que los eventos y circunstancias estresantes de la vida, las condiciones de salud

física y las conductas de riesgo afectan las tasas de AICD, DICD y suicidio.

10
 Más específicamente, encontramos que "hospital" juega un papel clave en la predicción de AICD donde el término se relaciona negativamente con las muertes inducidas por el alcohol. Si

bien el modelo no intenta capturar la causalidad, podría ser que el acceso a la atención médica después de buscar "hospital" esté mitigando las consecuencias de la intoxicación por alcohol. Por otro

lado, la "terapia" se relacionó positivamente con la AICD. Esto podría indicar que las personas necesitan terapia para un trastorno por uso de sustancias o que están buscando terapeutas para lidiar

con el trastorno por consumo de alcohol de otra persona. La terapia cognitivo-conductual es una práctica bien establecida para el tratamiento del abuso de alcohol, y se han realizado algunos

estudios que muestran los efectos negativos del alcoholismo en la salud mental del cónyuge (Moos et al., 1982; Newman, 2001; Steinglass, 1981). Tanto para DICD como para suicidio, "desempleo"

fue el término de búsqueda clave. Para DICD, la búsqueda de desempleo se asoció negativamente con las tasas de mortalidad, mientras que investigaciones anteriores encontraron que las tasas de

desempleo están relacionadas positivamente con las tasas de mortalidad (Compton et al., 2014). Sin embargo, para el suicidio, el "desempleo" se asoció positivamente con las tasas de mortalidad.

Para DICD, la "rehabilitación" y la "depresión" se asociaron positivamente con las muertes. Las búsquedas de rehabilitación podrían estar asociadas positivamente con las tasas de DICD porque los

miembros de la familia podrían buscar rehabilitación más cuando el comportamiento de consumo de drogas se acerca a su punto máximo. Muchos estudios han demostrado una relación positiva

entre la depresión y el abuso de drogas (Regier et al., 1990; Weiss et al., 1992). la búsqueda de desempleo se asoció negativamente con las tasas de mortalidad, mientras que investigaciones

anteriores encontraron que las tasas de desempleo están relacionadas positivamente con las tasas de mortalidad (Compton et al., 2014). Sin embargo, para el suicidio, el "desempleo" se asoció

positivamente con las tasas de mortalidad. Para DICD, la "rehabilitación" y la "depresión" se asociaron positivamente con las muertes. Las búsquedas de rehabilitación podrían estar asociadas

positivamente con las tasas de DICD porque los miembros de la familia podrían buscar rehabilitación más cuando el comportamiento de consumo de drogas se acerca a su punto máximo. Muchos

estudios han demostrado una relación positiva entre la depresión y el abuso de drogas (Regier et al., 1990; Weiss et al., 1992). la búsqueda de desempleo se asoció negativamente con las tasas de

mortalidad, mientras que investigaciones anteriores encontraron que las tasas de desempleo están relacionadas positivamente con las tasas de mortalidad (Compton et al., 2014). Sin embargo, para

el suicidio, el "desempleo" se asoció positivamente con las tasas de mortalidad. Para DICD, la "rehabilitación" y la "depresión" se asociaron positivamente con las muertes. Las búsquedas de

rehabilitación podrían estar asociadas positivamente con las tasas de DICD porque los miembros de la familia podrían buscar rehabilitación más cuando el comportamiento de consumo de drogas se acerca a su punto máximo. Muc

Las recetas y las ventas de opioides aumentaron sustancialmente desde finales de la década de 1990 hasta la de 2000,

incluidas la oxicodona y la metadona, que pueden influir en las muertes por consumo de sustancias. Aunque las causas de muerte

inducidas por drogas han aumentado en los Estados Unidos desde la década de 1980, la presencia de instalaciones de tratamiento

disminuye la mortalidad a nivel de condado por el uso de drogas (Swensen, 2015). Cuando los recursos puedan ser limitados, los

funcionarios de salud pública podrían vincular los términos de búsqueda críticos a una crisis o ayudar al número de la línea directa a

los resultados de la búsqueda asociados con los términos clave identificados en el análisis, de modo que los usuarios de Internet que

buscan una serie de términos relacionados con la salud del comportamiento reciban la información necesaria. anuncio de línea

directa.

Limitaciones

Si bien los datos de Google Trends se pueden usar para predecir las tasas de mortalidad por salud

conductual a nivel estatal, existen algunas limitaciones clave que deben discutirse. El análisis utilizado en este

documento no puede realizar predicciones a nivel individual. En nuestros datos, es importante reconocer que

las personas que realizan búsquedas en línea no son necesariamente las mismas que fallecen por AICD, DICD

o suicidio. Además, no podemos utilizar este análisis a un nivel más local que estatal.

11
porque Google no publica sus datos en una geografía local que se corresponda con las delimitaciones del condado o la

ciudad. Esto limita especialmente nuestra capacidad para predecir cambios en las zonas rurales.

Otra limitación es que estas predicciones dependen actualmente de la disponibilidad de datos de Google.

Actualmente, Google ofrece datos de Google Trends de forma gratuita, aunque existe un límite en la cantidad de datos que

un solo usuario puede descargar en un solo día. El ajuste del modelo también depende de que los datos de muerte de los

CDC estén disponibles de manera oportuna. En los últimos dos años, los CDC han publicado los datos del año pasado el 31

de diciembre a la medianoche (es decir, el 31 de diciembre de 2016, es posible que se publiquen los datos de 2015).

Este modelo no tiene en cuenta explícitamente el aumento actual de la heroína en muchos estados (CDC,

2015b), pero, sin embargo, predice parte del cambio desde el aumento de las búsquedas de "rehabilitación" y

"deuda" en 2015. Quizás sería posible mejorar estas predicciones de incorporar otras fuentes de datos en el modelo,

como la Encuesta Nacional sobre el Uso de Drogas y la Salud (NSDUH), aunque muchas otras fuentes de datos están

limitadas por el retraso de años entre la recopilación de datos y la divulgación pública de los conjuntos de datos.

Además, nuestros indicadores pueden ser difíciles de analizar, ya que el consumo de alcohol puede

ser contemporáneo de los intentos de suicidio o el medio por el cual uno intenta suicidarse (Conner et al.,

2014). Aún así, el método que usamos nos permite generar pronósticos, lo que nos motiva a continuar

aprovechando las Tendencias de Google para predecir una variedad de otros problemas de salud pública

además del suicidio, AICD y DICD.

Conclusión
El estudio actual hace contribuciones importantes en la intersección de la salud mental, la

epidemiología y los macrodatos al demostrar cómo los términos de búsqueda en línea no solo están

significativamente relacionados con las causas de muerte relacionadas con la salud del comportamiento, sino

también cómo el volumen y la ubicación geográfica de esos términos de búsqueda se puede utilizar para

predecir las tasas futuras de muerte por alcohol, drogas y suicidio. Estos tres tipos de muertes son

prematuras y evitables con una intervención oportuna; el análisis en el estudio actual podría ser importante

para los departamentos de salud pública y otros funcionarios que podrían usar los datos para informar la

asignación de recursos, así como los esfuerzos de intervención para reducir las muertes por alcohol, drogas y

suicidio. Con información actualizada sobre problemas de salud conductual, las oficinas de salud estatales

pueden solicitar subvenciones, revisar sus presupuestos,

12
 En los últimos años ha habido un impulso en la salud pública hacia prácticas basadas en la evidencia para resolver

las enfermedades mentales y los problemas de uso de sustancias dentro de las poblaciones. Con este movimiento hacia

programas de intervención ya respaldados por pruebas empíricas de eficacia, ha habido un deseo simultáneo de estrategias

de selección informadas por la evidencia, o la capacidad de datos sobre un problema de salud conductual en particular para

guiar el proceso de selección de la intervención. Dado que los datos oficiales se retrasan durante varios años, la selección de

estrategias de intervención oportunas se vuelve difícil. Los datos de Google Trends están disponibles instantáneamente, y el

uso del método desarrollado aquí ayudaría a proporcionar una estrategia de selección de intervenciones basada en

evidencia.

Para futuras vías de investigación, podría ser útil desglosar los datos por mes. Tanto los datos de los CDC

como los de Google Trends están disponibles mensualmente. Es bien sabido que el suicidio muestra signos de

estacionalidad y la incorporación de estos datos en el modelo podría hacer que las predicciones sean más precisas

(Woo et al., 2012). Otros conjuntos de datos también pueden ser útiles para modelar los datos. Para una prueba de

los datos, aumentamos el modelo con las medidas de desempleo e ingresos del modelo alternativo, pero el ajuste

no fue sustancialmente mejor que el modelo simple presentado aquí.

Otra posible vía para la investigación futura es desagregar las tasas de mortalidad por género u otros factores. Es

más probable que las mujeres busquen en línea información relacionada con la salud que los hombres, y es más probable

que las mujeres busquen en línea información sobre los problemas de salud de un miembro de la familia (Ybarra y Suman,

2006). Sin embargo, los tipos de muerte explorados en este estudio son más comunes entre los hombres que entre las

mujeres (CDC, 2015a). Si bien es más probable que los hombres experimenten una sobredosis de opioides, las tasas de

sobredosis de opioides han aumentado más en las mujeres entre 1999 y 2010 (CDC, 2013b). En el futuro, planeamos

explorar las diferencias entre las muertes relacionadas con la salud del comportamiento de hombres y mujeres utilizando

métodos similares.

Conflicto de intereses

Apoyo parcial para este trabajo de la Administración de Servicios de Salud Mental y Abuso de Sustancias de los

Estados Unidos y el Instituto Nacional de Alimentos y Agricultura del Departamento de Agricultura de los Estados

Unidos. Los patrocinadores no tuvieron ningún papel en el diseño del estudio, la implementación, la redacción del

informe, la decisión de enviar el artículo para su publicación o la elección de la revista. El autor correspondiente tenía

pleno acceso a todos los datos y tenía la responsabilidad final de la decisión de enviar para su publicación.

13
 Referencias

[1] BEA, 2015. Cuentas económicas regionales.

[2] Bragazzi, NL, 2014. Un enfoque basado en Google Trends para monitorear NSSI. Investigación en

psicología y manejo de la conducta 7, 1.

[3] Cavazos-Rehg, PA, Krauss, MJ, Spitznagel, EL, Lowery, A., Grucza, RA, Chaloupka,
FJ, Bierut, LJ, 2014. Seguimiento del consumo de tabaco no relacionado con cigarrillos mediante Google

Trends. Control del tabaco, control del tabaco-2013-051276.

[4] CDC, 2013a. Archivo de datos de múltiples causas de muerte. Sistema Nacional de Estadísticas Vitales.

[5] CDC, 2013b. Signos vitales: sobredosis de analgésicos opioides recetados y otras drogas en mujeres -

Estados Unidos, 1999-2010. MMWR. Informe semanal de morbilidad y mortalidad 62, 537.

[6] CDC, 2015a. Defunciones: datos finales de 2011. Informes nacionales de estadísticas vitales 63, 1-12.

[7] CDC, 2015b. Signos vitales: tendencias demográficas y de consumo de sustancias entre los consumidores de heroína ¬

Estados Unidos, 2002-2013. Centro para el Control y la Prevención de Enfermedades.

[8] CDC, 2015c. Amplios datos en línea para la investigación epidemiológica

[9] Compton, WM, Gfroerer, J., Conway, KP, Finger, MS, 2014. Desempleo y resultados de

sustancias en los Estados Unidos 2002-2010. Dependencia de drogas y alcohol 142,

350-353.

[10] Conner, KR, Huguet, N., Caetano, R., Giesbrecht, N., McFarland, BH, Nolte, KB, Kaplan, MS, 2014.

Uso agudo de alcohol y métodos de suicidio en una muestra nacional de EE. UU. Revista

Estadounidense de Salud Pública 104, 171-178.

[11] Degenhardt, L., Hall, W., 2012. Alcance del uso y dependencia de drogas ilícitas y su

contribución a la carga mundial de morbilidad. The Lancet 379, 55-70.

[12] Deluca, P., Davey, Z., Corazza, O., Di Furia, L., Farre, M., Flesland, LH, Mannonen, M., Majava, A.,

Peltoniemi, T., Pasinetti, M., 2012. Identificación de tendencias emergentes en el uso de drogas

recreativas; resultados del proyecto de mapeo web Psychonaut. Progresos en Neuro-

Psicofarmacología y Psiquiatría Biológica 39, 221-226.

[13] Fox, S., 2011. La vida social de la información sobre la salud 2011. Proyecto Pew Internet & American

Life Washington, DC.

[14] Friedman, J., Hastie, T., Tibshirani, R., 2001. Los elementos del aprendizaje estadístico. Springer

series en estadísticas Springer, Berlín.

14
[15] Frijters, P., Johnston, DW, Lordan, G., Shields, MA, 2013. Explorando la relación entre las condiciones

macroeconómicas y los problemas con la bebida según lo capturado por las búsquedas de Google en

los EE. UU. Ciencias sociales y medicina 84, 61-68.

[16] Ginsberg, J., Mohebbi, MH, Patel, RS, Brammer, L., Smolinski, MS, Brilliant, L., 2009. Detección de

epidemias de influenza utilizando datos de consulta de motores de búsqueda. Nature 457,

1012-1014.

[17] Google, 2015. Tendencias.

[18] Gunn III, JF, Lester, D., 2013. Uso de búsquedas de Google en Internet para monitorear el

comportamiento suicida. Revista de trastornos afectivos 148, 411-412.

[19] Hanson, CL, Burton, SH, Giraud-Carrier, C., West, JH, Barnes, MD, Hansen, B., 2013. Ajustar y

tuitear: explorar Twitter para el uso no médico de una droga psicoestimulante (Adderall) entre

estudiantes universitarios. Revista de investigación médica en Internet 15.

[20] Lazer, D., Kennedy, R., King, G., Vespignani, A., 2014. La parábola de la gripe de Google: trampas en el

análisis de macrodatos. Science 343, 1203-1205.

[21] Luxton, DD, junio, JD, Fairall, JM, 2012. Las redes sociales y el suicidio: una perspectiva de salud

pública. Revista Estadounidense de Salud Pública 102, S195-S200.

[22] Ma-Kellams, C., Or, F., Baek, JH, Kawachi, I., 2016. Repensar la vigilancia del suicidio Los datos de

búsqueda de Google y el suicidio autoinformado estiman diferencialmente el riesgo de

suicidio completado. Ciencia psicológica clínica 4, 480-484.

[23] McCarthy, MJ, 2010. Monitoreo en Internet del riesgo de suicidio en la población. Revista de

trastornos afectivos 122, 277-279.

[24] Moos, RH, Finney, JW, Gamble, W., 1982. El proceso de recuperación del alcoholismo. II. Comparación de

cónyuges de pacientes alcohólicos y controles comunitarios emparejados. Revista de estudios sobre

alcohol 43, 888-909.

[25] Newman, CF, 2001. Terapia cognitiva del abuso de sustancias. Prensa de Guilford.

[26] Núñez ‐ Antón, V., Zimmerman, DL, 2000. Modelado de datos longitudinales no estacionarios.

Biometrics 56, 699-705.

[27] Perrin, A., Duggan, M., 2015. Acceso a Internet de los estadounidenses: 2000-2015. Centro de Investigación Pew

26.

[28] Recupero, PR, Harms, SE, Noble, JM, 2008. Búsqueda de suicidios en Google: navegación en busca de

información sobre suicidios en Internet. Revista de psiquiatría clínica.

15
[29] Regier, DA, Farmer, ME, Rae, DS, Locke, BZ, Keith, SJ, Judd, LL, Goodwin, FK, 1990. Comorbilidad

de los trastornos mentales con el abuso de alcohol y otras drogas: resultados del área de

captación epidemiológica (ECA) estudio. Jama 264, 2511-2518.

[30] Shah, A., 2010. La relación entre las tasas de suicidio de la población general e Internet: un

estudio transnacional. Suicidio y comportamiento potencialmente mortal 40, 146-150.

[31] Steinglass, P., 1981. El impacto del alcoholismo en la familia. Relación entre grado de

alcoholismo y sintomatología psiquiátrica. Revista de estudios sobre alcohol 42, 288-303.

[32] Steppan, M., Kraus, L., Piontek, D., Siciliano, V., 2013. ¿Son las estimaciones de prevalencia de cannabis

comparables entre países y regiones? Una validación intercultural utilizando datos de consultas de motores

de búsqueda. Revista Internacional de Políticas de Drogas 24, 23-29.

[33] Sueki, H., 2011. ¿Influye el volumen de búsquedas en Internet que utilizan términos de búsqueda relacionados

con el suicidio en la tasa de muerte por suicidio: datos de 2004 a 2009 en Japón? Psiquiatría y neurociencias

clínicas 65, 392-394.

[34] Swensen, ID, 2015. Tratamiento por abuso de sustancias y mortalidad. Revista de Economía

Pública 122, 13-30.

[35] Vayena, E., Mastroianni, A., Kahn, J., 2012. Cuestiones éticas en la investigación de la salud con fuentes

novedosas en línea. Revista Estadounidense de Salud Pública 102, 2225-2230.

[36] Weiss, RD, Griffin, ML, Mirin, SM, 1992. El abuso de drogas como automedicación para la depresión: un

estudio empírico. La revista estadounidense sobre el abuso de drogas y alcohol 18, 121-129.

[37] OMS, 2004. Informe sobre la situación mundial del alcohol de la Organización Mundial de la Salud. Departamento

de Salud Mental y Abuso de Sustancias, Ginebra.

[38] OMS, 2014. Prevención del suicidio: un imperativo mundial.

[39] Woo, J.-M., Okusaga, O., Postolache, TT, 2012. Estacionalidad de la conducta suicida.

Revista internacional de investigación ambiental y salud pública 9, 531-547.

[40] Yang, AC, Tsai, S.-J., Huang, NE, Peng, C.-K., 2011. Asociación de tendencias de búsqueda en Internet

con muerte por suicidio en la ciudad de Taipei, Taiwán, 2004-2009. Revista de trastornos afectivos

132, 179-184.

[41] Ybarra, ML, Suman, M., 2006. Comportamiento de búsqueda de ayuda e Internet: una encuesta nacional.

Revista Internacional de Informática Médica 75, 29-41.

dieciséis
Leyendas de figuras

Figura 1: Predicciones para AICD en 2015 (datos 2010-2014).

Figura 2: Predicciones para DICD en 2015 (datos 2010-2014).

Figura 3: Predicciones de suicidio en 2015 (datos 2010-2014).

17
Mesas

Tabla 1: Términos de búsqueda de Google Trends agrupados en categorías con estadísticas de muestra.

Categoría Término A través de promedios estatales Desviaciones estandar

201 201 201 201 201 201 Parcela Tota Withi Betwee
0 1 2 3 4 5 s l norte norte

Vida matón 2,9 3,6 3,9 3,5 3,2 3,4 1,01 0,37 0,96
Factores estresantes

muerte 61,3 61,8 59,4 55,2 55,2 58,9 12,5 3,96 12.31
9
deuda 11,0 11,9 10,0 8,6 7,6 8,4 2,73 1,65 2,25
funeral 33,9 33,5 35,3 33,6 34,3 37,1 18,6 2,59 18.58
5
abogado 8.4 9.4 8.2 7.8 8.1 8.4 1,90 0,72 1,83
Jubilación 12,1 11,1 10,8 10,8 11,1 11,7 3,13 1,06 3.10
estrés 9,9 9,2 9,3 8,9 8,9 9,6 1,79 0,65 1,75
desempleo 39,6 31,3 28,3 22,7 19,3 15,1 13,1 8,33 9.42
Nuevo Testamento 1
Físico SIDA 7.0 6.3 6.0 5.2 5.3 5.3 1,32 0,70 1,15
Comportamiento cigarrillos 4,7 4,4 4,4 4,8 4,3 3,8 0,92 0,41 0,86
Alabama

Salud diabetes 12,7 11,4 11,6 11,1 11,1 11,8 2,50 0,80 2,45
herpes 7,0 7,4 7,4 6,8 6,7 6,6 1,70 0,51 1,67
VIH 5,8 5,2 5,2 5,3 5,1 5,6 1,39 0,39 1,37
hospital 95,5 87,8 83,9 78,1 75,6 77,8 11,4 7,89 9.11
8
marijuana 13,8 12,5 12,4 11,2 13,7 13,3 5.46 1,51 5.35
rehabilitación 9,0 9,3 8,0 7,9 8,2 8,4 1,97 0,73 1,90
Emocional abuso 10,6 10,1 9,7 8,7 9,0 8,9 2,40 0,94 2,29
Salud asesoramiento 8,9 8,3 8,3 7,9 7,7 8,0 2,57 0,72 2,54
depresión 12,5 11,9 11,7 11,2 12,0 13,2 2,68 1,00 2,59
recuperación 20,0 16,7 15,5 14,6 14,5 15,0 4.23 2.14 3,77
suicidio 11,8 11,1 12,0 11,5 11,9 14,6 3,23 1,39 2,99
terapia 25,0 24,6 25,2 24,4 24,1 25,4 5,98 1,69 5,94
Sustancia adiccion 5,7 5,5 5,3 5,0 5,4 5,6 1,39 0,42 1,37
Relacionado Bebiendo 12,8 12,8 14,1 14,0 15,2 15,2 3.12 1.23 2,94
borracho 8,7 8,2 9,6 9,6 12,0 9,6 2,26 1,34 1,90
DUI 3,9 3,9 4,1 3,9 3,7 3,5 1,67 0,35 1,66
metanfetamina 3,5 3,3 3,6 4,2 4,1 4,4 1,72 0,54 1,66
Los términos de búsqueda se escalan de 0 a 100, los términos de búsqueda se descargaron en pares para preservar los datos sobre los

volúmenes relativos

Tabla 2: Coeficientes estimados de los modelos de mínimos cuadrados agrupados (2010-2014).

18
Categoría Término Modelo alternativo L1-Modelo de regularización
(Subcategoría)
Suicidio AICD DICD Suicidio AICD DICD
Variables independientes alternativas
Desempeño 0,91 - 0,47 0,06
RDPIpC 0,32 0,41 - 0,21
Variables de tendencias de
Google(Vida matón 0 - 0.088 0
Factores estresantes)

muerte 0 - 0.034 0
deuda 0 0,189 0,063
funeral 0 0 - 0.016
abogado 0 0 0
Jubilación 0 0,019 0
estrés 0 0 - 0,113
desempleo 0.013 0 - 0.076
(Físico SIDA 0 0,075 0
Conductual
Salud)
cigarrillos 0 - 0.054 0
diabetes 0 0 - 0.036
herpes 0 0 0
VIH 0 0 - 0.066
hospital 0 - 0,249 0
marijuana 0 0 0
rehabilitación 0 0 0,199
(Emocional abuso 0 0 - 0.099
Salud)
asesoramiento 0 0 0
depresión 0 0 0,144
recuperación 0,009 0,007 0
suicidio 0,003 0.103 0
terapia 0 0,141 0
(Sustancia adiccion 0 - 0,229 0.028053
Relacionado)

Bebiendo 0 0 0
borracho 0 0 0
DUI 0 0 0
metanfetamina 0 0,166 0
Estadísticas de ajuste del modelo

R-cuadrado 0.093 0,149 0.102 0,218 0.309 0,239

MSPE 0,978 0,951 1.030 0,910 0,827 0,876

19
Reflejos

- Los datos subnacionales sobre 27 términos de salud conductual se descargan de Google Trends.

- Los datos de Google Trends se utilizan para modelar las tasas de mortalidad por alcohol, drogas y suicidio.

- El modelo de pronóstico a nivel estatal utiliza datos de 2010 a 2014 para predecir 2015.

- El sur lidera el aumento de las drogas y las Grandes Llanuras del alcohol y el suicidio.

- Los términos clave elegidos son "hospital" para el alcohol y "desempleo" para las drogas y el suicidio.

20