First Aid Education for Opioid Overdose Poisoning: Scoping Review
Notice bibliographique
Résumé
Effective health education needs ongoing evidence to support policy development and action in a public health crisis, like the opioid epidemic in the United States. Opioid Education and Naloxone Distribution (OEND) programs work to change behaviors through information, education, and resources to empower people to prevent and respond to opioid overdose poisonings. In this review, we sought to identify the first aid educational components of OEND to address opioid overdose poisoning, identify gaps in the existing literature, and support the development of future studies that could then be systematically reviewed. From a systematic review that identified 2057 peer-reviewed manuscripts, 59 studies demonstrated that the educational literature is sparse, of low quality, lacks quality measures and effective methodologies, and suffers from self-reported and highly inconsistent endpoints, making outcome comparisons challenging, if not impossible. The reviewed OEND programs generally used a public health/health education approach focusing on people who inject opioids, their family and friends, first responders, and rarely the general public. Depending on the learners, interventions were broken down to those <15, 16-90, and >90 minutes, which categorically showed differences in knowledge and first aid response actions. Only eight studies used comparison groups which provide a slightly higher level of evidence. Reports of survival appeared to positively correlate with naloxone kit distribution. Opportunity exists to develop policies and plans that support individual and community efforts through evidence-based guidelines, particularly to the domains of first aid education, so that educators and organizations can deliver efficacious programming that meets the needs of their learners.
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 ».