Increases in Naloxone Administrations by Emergency Medical Services Providers During the COVID-19 Pandemic: Retrospective Time Series Study
Notice bibliographique
Résumé
BACKGROUND: The opioid crisis in the United States may be exacerbated by the COVID-19 pandemic. Increases in opioid use, emergency medical services (EMS) runs for opioid-related overdoses, and opioid overdose deaths have been reported. No study has examined changes in multiple naloxone administrations, an indicator of overdose severity, during the COVID-19 pandemic. OBJECTIVE: This study examines changes in the occurrence of naloxone administrations and multiple naloxone administrations during EMS runs for opioid-related overdoses during the COVID-19 pandemic in Guilford County, North Carolina (NC). METHODS: Using a period-over-period approach, we compared the occurrence of opioid-related EMS runs, naloxone administrations, and multiple naloxone administrations during the 29-week period before (September 1, 2019, to March 9, 2020) and after NC's COVID-19 state of emergency declaration (ie, the COVID-19 period of March 10 to September 30, 2020). Furthermore, historical data were used to generate a quasi-control distribution of period-over-period changes to compare the occurrence of each outcome during the COVID-19 period to each 29-week period back to January 1, 2014. RESULTS: All outcomes increased during the COVID-19 period. Compared to the previous 29 weeks, the COVID-19 period experienced increases in the weekly mean number of opioid-related EMS runs (25.6, SD 5.6 vs 18.6, SD 6.6; P<.001), naloxone administrations (22.3, SD 6.2 vs 14.1, SD 6.0; P<.001), and multiple naloxone administrations (5.0, SD 1.9 vs 2.7, SD 1.9; P<.001), corresponding to proportional increases of 37.4%, 57.8%, and 84.8%, respectively. Additionally, the increases during the COVID-19 period were greater than 91% of all historical 29-week periods analyzed. CONCLUSIONS: The occurrence of EMS runs for opioid-related overdoses, naloxone administrations, and multiple naloxone administrations during EMS runs increased during the COVID-19 pandemic in Guilford County, NC. For a host of reasons that need to be explored, the COVID-19 pandemic appears to have exacerbated the opioid crisis.
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 | 0,001 | 0,001 |
| 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 ».