Investigating Community Pharmacy Take Home Naloxone Dispensing during COVID-19: The Impact of One Public Health Crisis on Another
Notice bibliographique
Résumé
A recent report found that the number of opioid-related deaths in Ontario in the first 15 weeks of the COVID-19 pandemic was 38.2% higher than in the 15 weeks before the pandemic. Our study sought to determine if pharmacy professionals self-reported an increase or decrease in naloxone provision due to the pandemic and to identify adjustments made by pharmacy professionals to dispense naloxone during the pandemic. A total of 231 Ontario community pharmacy professionals completed an online survey. Pharmacy professionals' barriers, facilitators, and comfort level with dispensing naloxone before and during the pandemic were identified. The sample consisted of mostly pharmacists (99.1%). Over half (51.1%) reported no change in naloxone dispensing, while 22.9% of respondents reported an increase and 24.7% a decrease. The most common adjustments made during the pandemic were training patients how to administer naloxone over video or phone, delivering naloxone kits, and pharmacy technicians offering naloxone at prescription intake. Over half (55%) of participants said the top barrier for dispensing was that patients did not request naloxone. Naloxone distribution through pharmacies could be further optimized to address the increased incidence of overdose deaths during the pandemic. Future research should investigate the reasons for changes in naloxone dispensing.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».