“You don’t have to squirrel away in a staircase”: Patient motivations for attending a novel supervised drug consumption service in acute care
Notice bibliographique
Résumé
BACKGROUND: Acute care hospitals have been described as a high risk environment for people who use drugs (PWUD). Formal and informal bans on drug use can lead patients to conceal their use and consume under unsafe circumstances. Provision of hospital-based supervised consumption services (SCS) could help reduce drug-related harms and improve patient care. However, no peer-reviewed research documents patient experiences with attending SCS in this setting. To address this gap, the present study examines key factors that shape patients' decisions to attend or not attend a novel SCS embedded within a large, urban acute care hospital in Western Canada. METHODS: We adopted a focused ethnographic design and conducted 28 semi-structured interviews with SCS-eligible patients. We examined participant accounts thematically, and Rhodes' "Risk Environment" framework helped guide our analysis. RESULTS: Most participants perceived the SCS as a safer environment that made it possible to reduce drug-related risks and avoid using in unsafe areas of the hospital where they could be caught by staff, security, or police. However, some participants did not trust that the SCS would provide adequate protection from criminalization, which motivated them to avoid the site. Several participants also worried about the potential for unwanted changes to their patient care following SCS use. Physical site and policy limitations, such as eligibility requirements and a lack of infrastructure to support supervised inhalation, were additional reasons for not attending the SCS. CONCLUSION: PWUD in this study attended the hospital-based SCS in an attempt to reduce risks associated with their hospital stay. However, we note a number of access barriers that should be addressed to ensure optimal uptake. Wider provision of SCS in acute care requires both changes to the hospital environment and broader drug policy reform.
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 | 0,006 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,011 | 0,007 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».