Mitigating the heroin crisis in Baltimore, MD, USA: a cost-benefit analysis of a hypothetical supervised injection facility
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: In Baltimore, MD, as in many cities throughout the USA, overdose rates are on the rise due to both the increase of prescription opioid abuse and that of fentanyl and other synthetic opioids in the drug market. Supervised injection facilities (SIFs) are a widely implemented public health intervention throughout the world, with 97 existing in 11 countries worldwide. Research has documented the public health, social, and economic benefits of SIFs, yet none exist in the USA. The purpose of this study is to model the health and financial costs and benefits of a hypothetical SIF in Baltimore. METHODS: We estimate the benefits by utilizing local health data and data on the impact of existing SIFs in models for six outcomes: prevented human immunodeficiency virus transmission, Hepatitis C virus transmission, skin and soft-tissue infection, overdose mortality, and overdose-related medical care and increased medication-assisted treatment for opioid dependence. RESULTS: We predict that for an annual cost of $1.8 million, a single SIF would generate $7.8 million in savings, preventing 3.7 HIV infections, 21 Hepatitis C infections, 374 days in the hospital for skin and soft-tissue infection, 5.9 overdose deaths, 108 overdose-related ambulance calls, 78 emergency room visits, and 27 hospitalizations, while bringing 121 additional people into treatment. CONCLUSIONS: We conclude that a SIF would be both extremely cost-effective and a significant public health and economic benefit to Baltimore City.
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.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle