Geographic variation in the provision of naloxone by pharmacies in Ontario, Canada: A population-based small area variation analysis
Notice bibliographique
Résumé
BACKGROUND: Regional variation in pharmacy-dispensed naloxone rates could create access disparities that undermine the effectiveness of this approach. We explored individual and public health unit (PHU)-level determinants of regional variation in naloxone distribution through the Ontario Naloxone Program for Pharmacies. METHODS: We conducted a population-based study between April 1, 2017 and March 31, 2018. We calculated age- and sex-standardized pharmacy-dispensed naloxone rates for the 35 Ontario PHUs, and identified determinants of these rates using generalized estimating equations negative binomial regression. RESULTS: The age- and sex-standardized pharmacy-dispensed naloxone rate in Ontario was 5.5 (range 1.8-11.6) kits per 1000 population. Variables associated with higher naloxone dispensing rates included opioid use disorder history [rate ratio (RR) 2.27; 95% confidence interval (CI) 1.75-2.96], opioid agonist therapy (RR 11.17; 95% CI 7.15-17.44), and PHU opioid overdose rate (RR 1.09 per 10 deaths; 95% CI 1.06-1.13). Pharmacy-dispensed naloxone rates were lower in rural areas (RR 0.83; 95% CI 0.73-0.94) and among individuals dispensed one (RR 0.72; 95% CI 0.65-0.79), two to five (RR 0.67; 95% CI 0.54-0.84) or 6-10 (RR 0.92; 95% CI 0.74-1.14) opioids in the prior year relative to those receiving no opioids. CONCLUSION: Pharmacy-dispensed naloxone programs are important components of a public health response to the opioid overdose crisis. We found considerable variation in pharmacy-dispensed naloxone rates that could limit program effectiveness, particularly in rural settings with limited access to health and harm reduction services..
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 | 0,001 |
| 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 ».