MétaCan
Menu
Retour à la cohorte
Enregistrement W3183671362 · doi:10.1186/s12954-021-00513-4

Municipal police support for harm reduction services in officer-led referrals of people who inject drugs in Tijuana, Mexico

2021· article· en· W3183671362 sur OpenAlexaff
Pieter Baker, Jaime Arredondo, Annick Bórquez, Erika Clairgue, María Luisa Mittal, Mario Morales, Teresita Rocha‐Jiménez, Richard S. Garfein, Eyal Oren, Eileen V. Pitpitan, Steffanie A. Strathdee, Leo Beletsky, Javier Cepeda

Notice bibliographique

RevueHarm Reduction Journal · 2021
Typearticle
Langueen
DomaineMedicine
ThématiqueHIV, Drug Use, Sexual Risk
Établissements canadiensBritish Columbia Centre on Substance Use
Organismes subventionnairesNational Center for Advancing Translational SciencesFogarty International CenterNational Institute of Allergy and Infectious DiseasesNational Institute on Drug Abuse
Mots-clésHarm reductionMedicineLaw enforcementOfficerHealth psychologyFamily medicineNeedle sharingReferralPsychiatryPublic healthEnvironmental healthNursingHuman immunodeficiency virus (HIV)

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Police constitute a structural determinant of health and HIV risk of people who inject drugs (PWID), and negative encounters with law enforcement present significant barriers to PWID access to harm reduction services. Conversely, police may facilitate access via officer-led referrals, potentiating prevention of HIV, overdose, and drug-related harms. We aimed to identify police characteristics associated with support for officer-led referrals to addiction treatment services and syringe service programs (SSP). We hypothesized that officers who believe harm reduction services are contradictory to policing priorities in terms of safety and crime reduction will be less likely to support police referrals. METHODS: Between January and June 2018, police officers (n = 305) in Tijuana, Mexico, completed self-administered surveys about referrals to harm reduction services during the 24-month follow-up visit as part of the SHIELD police training and longitudinal cohort study. Log-binomial regression was used to estimate adjusted prevalence ratios and model policing characteristics and attitudes related to officers' support for including addiction treatment and SSP in referrals. RESULTS: Respondents were primarily male (89%), patrol officers (86%) with a median age of 38 years (IQR 33-43). Overall, 89% endorsed referral to addiction services, whereas 53% endorsed SSP as acceptable targets of referrals. Officers endorsing addiction services were less likely to be assigned to high drug use districts (adjusted prevalence ratio [APR] = 0.50, 95% CI 0.24, 1.08) and more likely to agree that methadone programs reduce crime (APR = 4.66, 95% CI 2.05, 9.18) than officers who did not support addiction services. Officers endorsing SSPs were younger (adjusted prevalence ratio [APR] = 0.96 95% CI 0.93, 0.98), less likely to be assigned to high drug use districts (APR = 0.50, 95% CI 0.29, 0.87), more likely to believe that methadone programs reduce crime (APR = 2.43, 95% CI 1.30, 4.55), and less likely to believe that SSPs increase risk of needlestick injury for police (APR = 0.44, 0.27, 0.71). CONCLUSIONS: Beliefs related to the occupational impact of harm reduction services in terms of officer safety and crime reduction are associated with support for referral to related harm reduction services. Efforts to deflect PWID from carceral systems toward harm reduction by frontline police should include measures to improve officer knowledge and attitudes about harm reduction services as they relate to occupational safety and law enforcement priorities. TRIAL REGISTRATION: NCT02444403.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,138
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,049
Tête enseignante GPT0,367
Écart entre enseignants0,318 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations9
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueHarm Reduction JournalMême sujetHIV, Drug Use, Sexual RiskTravaux en français237 207