La tasa de mortalidad por sobredosis de drogas opioides sigue siendo una crisis significativa de salud pública en los EE. UU., donde una epidemia de opioides ha llevado a un aumento dramático en las muertes por sobredosis en las últimas dos décadas. Desde 1999, los opioides han estado implicados en aproximadamente el 75% de las casi un millón de muertes relacionadas con drogas. La investigación indica que la epidemia es causada tanto por la sobreprescripción como por determinantes sociales y psicológicos como la estabilidad económica, la desesperanza y el aislamiento social. Un obstáculo para esta investigación es la falta de mediciones de estos constructos sociales y psicológicos con una resolución espacial y temporal detallada. Para abordar este problema, obtuvimos datos de Reddit, donde las personas comparten experiencias autoinformadas con sustancias opioides, específicamente el uso de drogas opioides a través de diferentes vías de administración. Para lograr este objetivo, se creó un conjunto de datos sobre sobredosis de opioides que fue anotado manualmente en clasificación binaria y multiclasificación, junto con directrices de anotación detalladas. En las investigaciones manuales tradicionales, la vía de administración se determina únicamente a través de pruebas de laboratorio biológicas. Este estudio investiga la eficacia de una herramienta automatizada que aprovecha el procesamiento del lenguaje natural y modelos de transformadores, como RoBERTa, para analizar patrones de uso de sustancias. Al examinar sistemáticamente estos patrones, el modelo contribuye a los esfuerzos de vigilancia de salud pública, facilitando la identificación de poblaciones en riesgo e informando el desarrollo de intervenciones específicas. Este enfoque tiene como objetivo, en última instancia, mejorar las estrategias de prevención y tratamiento para el abuso de opioides a través de conocimientos basados en datos. Los hallazgos muestran que nuestra metodología propuesta logró la puntuación de validación cruzada más alta del 93% para la clasificación binaria y del 91% para la clasificación multiclasificación, demostrando mejoras en el rendimiento del 9.41% y 10.98%, respectivamente, sobre el modelo base (XGB, 85% en clase binaria y 81% en multiclasificación).