Acceptability of Technological Solutions for Overdose Monitoring: Perspectives of People who Use Drugs
Notice bibliographique
Résumé
Introduction Rising overdose deaths are a devastating problem across the United States and Canada. Despite the availability of observed consumption sites in British Columbia (BC), data suggest people who use drugs (PWUD) alone in private residences are most at risk of overdose death. These individuals may not use consumption sites due to fear of stigmatization, lack of privacy, or personal preference. It is this population that would benefit from overdose monitoring alternatives. Methods This 2018 study employed two sources of data. (1) A provincial harm reduction distribution site client survey administered at 27 sites across BC asked about cell phone possession and functionality. (2) Structured interviews with PWUD in Vancouver gathered perspectives regarding monitoring devices and alerting systems. Results The client survey was administered to 486 individuals. Among 443 respondents, 48% ( n = 212) owned a cellphone and 68% ( n = 115) of individuals with a cellphone with access to internet ( n = 168) would use an application to mitigate opioid-related overdose deaths. Thirty qualitative interviews were performed; thematic analysis of the responses identified three major themes – safety, public versus private drug use, and technological monitoring and function. The relevance of technological devices was affected by the inconsistent availability of cellphones, concerns about anonymity, as well as personal comfort while using drugs. Conclusions Technological applications may not be suitable for clients with transient lifestyles, no permanent home, and lack of consistent access to a mobile device. Thorough needs assessments, considerations of lifestyle limitations, and understanding perceptions around cellphone and overdose monitoring can increase the potential that devices will be used. Highlights • 45% ( n = 219) of client survey respondents owned a cellphone • Out of cellphone owners, 59% ( n = 102) of client survey respondents had access to internet • Of 168 with internet access, 68% willing to use any applications for overdose response • Applications not suitable for transient lifestyles, no permanent home, and lack of consistent access to cellphone
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 ».