Self‐managing illicit stimulant use: A qualitative study with patients receiving injectable opioid agonist treatment
Notice bibliographique
Résumé
INTRODUCTION AND AIMS: Illicit stimulant use is prevalent among patients receiving injectable opioid agonist treatment (iOAT) and has been associated with early treatment discontinuation and illicit opioid use. Despite these concerns, little is known about the use of illicit stimulants in this population. As such, this study aimed to explore the processes by which patients receiving iOAT engage in the use of illicit stimulants. DESIGN AND METHODS: One-on-one in-depth qualitative interviews were conducted. Data collection and analysis followed an iterative approach of coding, searching for meaning, and returning to data collection to saturate categories and explicate relationships between them. Participants were patients receiving iOAT in Vancouver, Canada that reported the use of illicit stimulants (n = 31). RESULTS: The process of 'self-managing illicit stimulant use' was constructed from the data. This process was made up of three interrelated categories reflecting participants' engagement in illicit stimulant use: (i) distancing from the street environment; (ii) taking control of use; and (iii) mobilising support (clinical and social). DISCUSSION AND CONCLUSIONS: For patients with opioid use disorder and concurrent stimulant use disorder, access to iOAT can promote the self-management of illicit stimulant use. Daily visits to the clinic for opioid agonist treatment present an important opportunity to offer services and supports for patients who use illicit stimulants. Interventions can be guided by patients, recognising them as experts in the management of their stimulant use.
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) | 0,001 | 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 ».