Evaluating the Effects of Safe Injection Facility Legalization on Fatal and Non-Fatal Overdose and Infectious Disease
Notice bibliographique
Résumé
In 2017, 70,000 lives were lost to fatal drug overdoses with approximately 46,000 of those involving the use of prescription and illicit opioids (CDC, 2018b). Unaddressed, the opioid epidemic is costing large amounts of money, lost productivity and valuable lives. Injection drug use has also become increasingly common in the United States, as it is an efficient means of consuming opioids. Unfortunately, injecting drugs is also an efficient method of transmitting bloodborne diseases. Estimates show that in the United States, 8% of all new HIV infections in 2010 and 22% of all adults and adolescents with HIV resulted from injection drug use (Lansky, 2014). Injecting drugs isn’t as uncommon as some might thing. Though it can be difficult to estimate the number of people who inject drugs, it has been reported somewhere between 4.5 and 8.6 million people inject drugs (Lansky, 2014). As there has been an increase in this behavior, the prevalence of infectious diseases spread through contact with blood have increased (Meiman, 2015). The continued rise in rates of injection drug use (IDU), and subsequent infectious disease indicate the need for a response from the United States government. One evidence-based strategy for reducing the health consequences of injection drug use is the implementation of safe injection facilities, which have been legalized and/or decriminalized in the Netherlands, Norway, Canada and 9 other nations. In this capstone, I will examine the potential impacts of legalizing safe injection facilities in the United States on non- fatal overdose, fatal overdose, HCV and HIV. I will also discuss the current United States federal law that would need to change or not be enforced in order to open and operate safe injection facilities without risk of prosecution.
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 | 0,000 | 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 ».