Lessons learned from ramping up a Canadian Take Home Naloxone programme during a public health emergency: a mixed-methods study
Notice bibliographique
Résumé
OBJECTIVES: This study describes the 2016 expansion of the British Columbia Take Home Naloxone (BCTHN) programme quantitatively and explores the challenges, facilitators and successes during the ramp up from the perspectives of programme stakeholders. DESIGN: Mixed-methods study. SETTING: The BCTHN programme was implemented in 2012 to reduce opioid overdose deaths by providing naloxone kits and overdose recognition and response training in BC, Canada. An increase in the number of overdose deaths in 2016 in BC led to the declaration of a public health emergency and a rapid ramp up of naloxone kit production and distribution. BCTHN distributes naloxone to the five regional health authorities of BC. PARTICIPANTS: Focus groups and key informant interviews were conducted with 18 stakeholders, including BC Centre for Disease Control staff, urban and rural site coordinators, and harm reduction coordinators from the five regional health authorities across BC. PRIMARY AND SECONDARY OUTCOME MEASURES: Take Home Naloxone (THN) programme activity, qualitative themes and lessons learnt were identified. RESULTS: In 2016, BCTHN responded to a 20-fold increase in demand of naloxone kits and added over 300 distribution sites. Weekly numbers of overdose events and overdose deaths were correlated with increases in THN kits ordered the following week, during 2013-2017. Challenges elicited include forecasting demand, operational logistics, financial, manpower and policy constraints. Facilitators included outsourcing kit production, implementing standing orders and policy changes in naloxone scheduling, which allowed for easier hiring of staff, reduced paperwork and expanded client access. CONCLUSION: For THN programmes preparing for potential increases in naloxone demand, we recommend creating an online database, implementing standing orders and developing online training resources for standardised knowledge translation to site staff and clients.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,025 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,010 | 0,004 |
| Communication savante | 0,006 | 0,003 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».