A rapid review of the impacts of “Big Events ” on risks, harms, and service delivery among people who use drugs: Implications for responding to COVID-19
Notice bibliographique
Résumé
BACKGROUND: "Big Events" are major disruptions to physical, political, and economic environments that can influence vulnerability to drug-related harms. We reviewed the impacts of Big Events with relevance to the COVID-19 pandemic on drug-related risk and harms and access to drug treatment and harm reduction services. METHODS: We conducted a rapid review of quantitative, qualitative, and mixed methods literature relating to the following Big Events: respiratory infection pandemics, natural disasters, financial crises, and heroin shortages. Included studies reported data on changes to risks, harms, and/or service provisioning for people who use illicit drugs (other than cannabis) in the context of these Big Events. Searches were conducted in PubMed in May 2020, and two reviewers screened studies for inclusion. Peer-reviewed studies published in English or French were included. We used a narrative synthesis approach and mapped risk pathways identified in the literature. RESULTS: No studies reporting on respiratory infection pandemics were identified. Twelve studies reporting on natural disaster outcomes noted marked disruption to drug markets, increased violence and risk of drug-related harm, and significant barriers to service provision caused by infrastructure damage. Five studies of the 2008 global financial crisis indicated increases in the frequency of drug use and associated harms as incomes and service funding declined. Finally, 17 studies of heroin shortages noted increases in heroin price and adulteration, potentiating drug substitutions and risk behaviors, as well as growing demand for drug treatment. CONCLUSION: Current evidence reveals numerous risk pathways and service impacts emanating from Big Events. Risk pathway maps derived from this literature provide groundwork for future research and policy analyses, including in the context of the COVID-19 pandemic. In light of the findings, we recommend responding to the pandemic with legislative and financial support for the flexible delivery of harm reduction services, opioid agonist treatment, and mental health care.
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 | 0,024 | 0,092 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,006 | 0,007 |
| Bibliométrie | 0,032 | 0,026 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,007 | 0,008 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,004 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 ».