Police and public health partnerships: Evidence from the evaluation of Vancouver's supervised injection facility
Notice bibliographique
Résumé
In various settings, drug market policing strategies have been found to have unintended negative effects on health service use among injection drug users (IDU). This has prompted calls for more effective coordination of policing and public health efforts. In Vancouver, Canada, a supervised injection facility (SIF) was established in 2003. We sought to determine if local police impacted utilization of the SIF. We used generalized estimating equations (GEE) to prospectively identify the prevalence and correlates of being referred by local police to Vancouver's SIF among IDU participating in the Scientific Evaluation of Supervised Injecting (SEOSI) cohort during the period of December 2003 to November 2005. Among 1090 SIF clients enrolled in SEOSI, 182 (16.7%) individuals reported having ever been referred to the SIF by local police. At baseline, 22 (2.0%) participants reported that they first learned of the SIF via police. In multivariate analyses, factors positively associated with being referred to the SIF by local police when injecting in public include: sex work (Adjusted Odds Ratio [AOR] = 1.80, 95%CI 1.28-2.53); daily cocaine injection (AOR = 1.54, 95%CI 1.14-2.08); and unsafe syringe disposal (AOR = 1.46, 95%CI 1.00-2.11). These findings indicate that local police are facilitating use of the SIF by IDU at high risk for various adverse health outcomes. We further found that police may be helping to address public order concerns by referring IDU who are more likely to discard used syringes in public spaces. Our study suggests that the SIF provides an opportunity to coordinate policing and public health efforts and thereby resolve some of the existing tensions between public order and health initiatives.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».